but.committee	prof. Dr. Ing. Pavel Zemčík (předseda) doc. Mgr. Adam Rogalewicz, Ph.D. (místopředseda) Ing. Michal Fusek, Ph.D. (člen) Ing. Tomáš Martínek, Ph.D. (člen) Ing. Petr Matoušek, Ph.D., M.A. (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. Student následně odpověděl na otázky oponenta a na další otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm C. Otázky u obhajoby: Jak vybíráte výsledný bod z výstupní mapy sítě? Berete maximální hodnotu, nebo např. vážený průměr? Zkusil jste natrénovaný model aplikovat na reálná data (fotografii vozidla)? Jakým způsobem byly voleny význačné body? Na jakých datech byla trénována neuronová síť?	cs
but.jazyk	čeština (Czech)
but.program	Informační technologie	cs
but.result	práce byla úspěšně obhájena	cs
dc.contributor.advisor	Herout, Adam	cs
dc.contributor.author	Chadima, Vojtěch	cs
dc.contributor.referee	Bartl, Vojtěch	cs
dc.date.accessioned	2020-06-23T08:13:19Z
dc.date.available	2020-06-23T08:13:19Z
dc.date.created	2019	cs
dc.description.abstract	Tato práce řeší automatickou detekci význačných bodů na obrázcích automobilu. Takto detekované význačné mohou dále sloužit k automatické kalibraci kamery, například pro dohled v dopravě, což je problém, po jehož vyřešení je možné kameru využít v aplikacích jako měření rychlosti vozidel či hustoty dopravy. K detekci význačných bodů jsem použil konvoluční neuronovou síť typu Stacked Hourglass. Dále byl vytvořen generátor trénovacích dat v podobě obrázku a odpovídající anotace využívající API Blenderu, který umožňuje vytváření datasetů pro libovolné objekty. Detekované význačné body jsem analyzoval a seřadil dle přesnosti jejich detekce, přičemž platí, že čím přesněji je bod na snímku detekovatelný, tím je vhodnější pro použití při úlohách typu kalibrace kamery.Podařilo se natrénovat modely neuronových sítí, které jsou schopny detekovat 1 021 význačných bodů, z nichž nejlepších 24 s průměrnou odchylkou menší než 3 pixely. Výsledky této práce jsou základem pro kalibraci kamery na základě rozpoznání nejvhodnějších význačných bodů, případně mohou dále sloužit k vytváření vlastních trénovacích datasetů a trénování vlastních modelů neuronových sítí typu Stacked Hourglass.	cs
dc.description.abstract	This thesis aims to introduce automatic detection of landmarks on vehicle images. Detected landmarks can be then used for automatic traffic surveillance camera calibration or other computer vision applications. I solved the landmarks detection problem by using a novel type of convolutional neural network called Stacked Hourglass. Furthemore, I created an automatic trainig dataset (image + anotations) generator based on Blender API, which allows to create various datasets. Detected landmarks are analyzed and sorted in order to determine a set of superior landmarks that could be later used for camera calibration. The best-performing models detect up to 1 021 landmarks, while the best of them have less than 3.0 pixels average error. Finally, results can be further used in automatic camera calibration based on landmarks detection, to create custom datasets or to train Stacked Hourglass convolutional neural networks.	en
dc.description.mark	C	cs
dc.identifier.citation	CHADIMA, V. Detekce význačných bodů v obrazech vozidel [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2019.	cs
dc.identifier.other	121975	cs
dc.identifier.uri	http://hdl.handle.net/11012/180156
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	Stacked Hourglass	cs
dc.subject	detekce význačných bodů	cs
dc.subject	Blender	cs
dc.subject	strojové učení	cs
dc.subject	konvoluční neuronovésítě	cs
dc.subject	kalibrace kamery	cs
dc.subject	Stacked Hourglass	en
dc.subject	detection of landmarks	en
dc.subject	Blender	en
dc.subject	machine learning	en
dc.subject	convolutional neuralnetworks	en
dc.subject	camera calibration	en
dc.title	Detekce význačných bodů v obrazech vozidel	cs
dc.title.alternative	Detection of Landmarks on Vehicle Images	en
dc.type	Text	cs
dc.type.driver	bachelorThesis	en
dc.type.evskp	bakalářská práce	cs
dcterms.dateAccepted	2019-06-10	cs
dcterms.modified	2019-07-08-13:31:21	cs
eprints.affiliatedInstitution.faculty	Fakulta informačních technologií	cs
sync.item.dbid	121975	en
sync.item.dbtype	ZP	en
sync.item.insts	2021.11.22 22:59:55	en
sync.item.modts	2021.11.22 21:57:44	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

Detekce význačných bodů v obrazech vozidel

Files

Original bundle

Collections