but.committee	doc. Ing. Martin Čadík, Ph.D. (předseda) doc. Ing. Radek Burget, Ph.D. (místopředseda) Ing. David Bařina, Ph.D. (člen) doc. RNDr. Milan Češka, Ph.D. (člen) Ing. Vojtěch Mrázek, Ph.D. (člen)	cs
but.defence	Student nejprve prezentoval výsledky, kterých dosáhl v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Oponent hodnotil práci stupněm 4F, protože rozsah práce nesplňuje minimální požadavky, prezentační úroveň práce není na dostatečné úrovni, a její realizační výstup není dostatečně kvalitní. Student nedokázal vyvrátit výtky oponenta. Komise shledala nedostatky práce natolik závažné, že se práci rozhodla hodnotit jako nevyhovující. Otázky u obhajoby: Podle jakých vztahů se počítá trénovací chyba a validační skóre, které měříte v experimentech? Jakým způsobem se učí vámi použitá neuronová síť? Jak generujete nejsložitější úroveň syntetických obrázků (čtvrtá úroveň)? Jak byste se vyjádřil k posudku oponenta?	cs
but.jazyk	čeština (Czech)
but.program	Informační technologie	cs
but.result	práce nebyla úspěšně obhájena	cs
dc.contributor.advisor	Herout, Adam	cs
dc.contributor.author	Fridrich, David	cs
dc.contributor.referee	Kohút, Jan	cs
dc.date.accessioned	2022-06-21T07:56:08Z
dc.date.available	2022-06-21T07:56:08Z
dc.date.created	2022	cs
dc.description.abstract	Tato práce se zabývá detekcí jizdních pruhů. Konkrétně vlastního generátoru syntetických dat, jeho využití při trénování neuronových sítí, testování výsledků na konvoluční neuronové síti (CNN) modelu UNet a možnosti rozšíření tohoto modelu na SALMNet model (Structure-Aware Lane Marking Detection Network) pomocí přidání SGCA modulu (Semantic-Guided Channel Attention) a pyramidového modulu PDC (Pyramid deformable convolution). Výsledky trénování syntetických dat ukazují že síť umí rozpoznávat silniční pruhy velmi dobře, s přesností kolem 95\,\% (na jednodušších obrázcích dosahuje i 99\,\%). Nad reálným datasetem se výsledky lišily pro jednotlivé datasety, TuSimple dosahoval větší přesnosti kvůli menší obtížnosti obrázků, a sice kolem 62\,\%. Datová sada CuLane dosahovala pouze kolem 37\,\% velmi nestabilně.	cs
dc.description.abstract	This paper talks about lane detection. Specifically custom generator of synthetic images, usage during training of neural networks, testing on convolutional neural network (CNN) UNet model and possibilities of extension of this model to SALMnet (Structure-Aware Lane Marking Detection Network) via addding SGCA module (semantic-guided channel attention) and PDC module (pyramid deformable convolution). Training results from synthetic datasets show very accurate results, reaching around 95\,\% in accuracy (even 99\,\% for easier images). Trainings with real datasets show lower accuracy, depending on the difficulty of the dataset itself. TuSimple has easier and clearer images and reaches about 62\,\%. CuLane is much more complex and results show accuracy around 37\,\%.	en
dc.description.mark	F	cs
dc.identifier.citation	FRIDRICH, D. Rozpoznání hranic jízdního pruhu v záběrech palubní kamery [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2022.	cs
dc.identifier.other	145139	cs
dc.identifier.uri	http://hdl.handle.net/11012/207276
dc.language.iso	cs	cs
dc.publisher	Vysoké učení technické v Brně. Fakulta informačních technologií	cs
dc.rights	Standardní licenční smlouva - přístup k plnému textu bez omezení	cs
dc.subject	generátor	cs
dc.subject	počítačové učení	cs
dc.subject	rozpoznávání jízdních pruhů	cs
dc.subject	neuronová síť	cs
dc.subject	UNet	cs
dc.subject	generator	en
dc.subject	computer learning	en
dc.subject	lane detection	en
dc.subject	neural network	en
dc.subject	synthetic dataset	en
dc.subject	UNet	en
dc.title	Rozpoznání hranic jízdního pruhu v záběrech palubní kamery	cs
dc.title.alternative	Recognition of Driving Lane Borders in Video from On-Board Camera	en
dc.type	Text	cs
dc.type.driver	bachelorThesis	en
dc.type.evskp	bakalářská práce	cs
dcterms.dateAccepted	2022-06-14	cs
dcterms.modified	2022-06-20-08:19:46	cs
eprints.affiliatedInstitution.faculty	Fakulta informačních technologií	cs
sync.item.dbid	145139	en
sync.item.dbtype	ZP	en
sync.item.insts	2022.06.21 09:56:08	en
sync.item.modts	2022.06.21 08:14:14	en
thesis.discipline	Informační technologie	cs
thesis.grantor	Vysoké učení technické v Brně. Fakulta informačních technologií. Ústav počítačové grafiky a multimédií	cs
thesis.level	Bakalářský	cs
thesis.name	Bc.	cs

Rozpoznání hranic jízdního pruhu v záběrech palubní kamery

Files

Original bundle

Collections