Detekce objektu s využitím hloubkových dat

Simple item page
but.committeeprof. Ing. Adam Herout, Ph.D. (předseda) RNDr. Marek Rychlý, Ph.D. (člen) Ing. Vojtěch Mrázek, Ph.D. (člen) doc. Ing. Martin Čadík, Ph.D. (člen) Ing. Ondřej Lengál, Ph.D. (člen)cs
but.defenceStudent 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.cs
but.jazykslovenština (Slovak)
but.programInformační technologiecs
but.resultpráce byla úspěšně obhájenacs
dc.contributor.advisorMusil, Petrsk
dc.contributor.authorValko, Mareksk
dc.contributor.refereeHradiš, Michalsk
dc.date.created2024cs
dc.description.abstractTáto bakalárska práca sa zaoberá detekciou objektov v obraze s využitím hĺbkových dát. Cieľom bolo zvoliť vhodné metódy hlbokého učenia a experimentálne ich overiť na relevantných dátových sadách. Práca začína prehľadom základných techník detekcie objektov v obraze a hĺbkových dátach. V rámci riešenia boli vybrané dátové sady NYU Depth v2 a Washington RGB-D, na ktorých sa testovali upravené modely YOLOv5 a YOLOv8. Experimenty skúmali rôzne reprezentácie hĺbkových informácií a analyzovali, ako integrácia hĺbkových dát zlepšuje výkon týchto modelov. Výsledky ukázali výrazné zlepšenie metrík mAP pri porovnaní s klasickými modelmi využívajúcimi iba RGB dáta. Integrácia hĺbkových dát tak umožnila dosiahnuť presnejšie a spoľahlivejšie výsledky pri detekcii objektov.sk
dc.description.abstractThis bachelor thesis addresses the detection of objects in images using depth data. The goal was to select appropriate deep learning methods and experimentally verify them on relevant datasets. The thesis begins with an overview of basic techniques for detecting objects in images and depth data, utilizing selected datasets NYU Depth v2 and Washington RGB-D to test modified YOLOv5 and YOLOv8 models, adapted for effective processing of RGB-D data. The experiments explored various representations of depth information and analyzed how the integration of depth data enhances the performance of these models. The results demonstrated significant improvements in mAP metrics compared to traditional models that use only RGB data. The integration of depth data thus allowed for more accurate and reliable object detection results.en
dc.description.markCcs
dc.identifier.citationVALKO, M. Detekce objektu s využitím hloubkových dat [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2024.cs
dc.identifier.other155964cs
dc.identifier.urihttp://hdl.handle.net/11012/247844
dc.language.isoskcs
dc.publisherVysoké učení technické v Brně. Fakulta informačních technologiícs
dc.rightsStandardní licenční smlouva - přístup k plnému textu bez omezenícs
dc.subjectdetekcia objektovsk
dc.subjectRGBDsk
dc.subjecthĺbkové dátask
dc.subjectYOLOv5sk
dc.subjectYOLOv8sk
dc.subjectreprezentácia hĺbkových dátsk
dc.subjectHHAsk
dc.subjectjetsk
dc.subjectskoré a neskoré zlúčeniesk
dc.subjectobject detectionen
dc.subjectRGBDen
dc.subjectdepth dataen
dc.subjectYOLOv5en
dc.subjectYOLOv8en
dc.subjectdepth data representationen
dc.subjectHHAen
dc.subjectjeten
dc.subjectearly and late fusionen
dc.titleDetekce objektu s využitím hloubkových datsk
dc.typeTextcs
dc.type.driverbachelorThesisen
dc.type.evskpbakalářská prácecs
dcterms.dateAccepted2024-06-13cs
dcterms.modified2024-06-17-08:45:19cs
eprints.affiliatedInstitution.facultyFakulta informačních technologiícs
sync.item.dbid155964en
sync.item.dbtypeZPen
sync.item.insts2025.03.18 21:01:47en
sync.item.modts2025.01.17 15:10:24en
thesis.disciplineInformační technologiecs
thesis.grantorVysoké učení technické v Brně. Fakulta informačních technologií. Ústav počítačové grafiky a multimédiícs
thesis.levelBakalářskýcs
thesis.nameBc.cs
Files
Original bundle
Now showing 1 - 3 of 3
Thumbnail Image
Name:
final-thesis.pdf
Size:
7.18 MB
Format:
Adobe Portable Document Format
Description:
file final-thesis.pdf
Download
Thumbnail Image
Name:
appendix-1.zip
Size:
8.33 MB
Format:
Unknown data format
Description:
file appendix-1.zip
Download
Thumbnail Image
Name:
review_155964.html
Size:
10.49 KB
Format:
Hypertext Markup Language
Description:
file review_155964.html
Download
Collections
2024