Příznaky z videa pro klasifikaci
| but.committee | doc. Ing. František Zbořil, CSc. (předseda) doc. Dr. Ing. Dušan Kolář (místopředseda) prof. RNDr. Milan Češka, CSc. (člen) Mgr. Ing. Pavel Očenášek, Ph.D. (člen) Dr. Ing. Petr Peringer (člen) doc. Ing. Stanislav Racek, CSc. (člen) | cs |
| but.defence | Student nejprve prezentoval výsledky, kterých dosáhl v rámci své práce. Komise se pak 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 ... Otázky u obhajoby: Pro jaké další úlohy by bylo možné navržené postupy pro extrakci příznaků a pro multiple kernel learning použít? | cs |
| but.jazyk | čeština (Czech) | |
| but.program | Informační technologie | cs |
| but.result | práce byla úspěšně obhájena | cs |
| dc.contributor.advisor | Hradiš, Michal | cs |
| dc.contributor.author | Behúň, Kamil | cs |
| dc.contributor.referee | Herout, Adam | cs |
| dc.date.created | 2013 | cs |
| dc.description.abstract | Tato práce porovnává ručně-navrženy příznaky s příznaky naučenými metodami učení příznaků při klasifikací videa. Příznaky naučené pomocí Analýzy nezávislých podprostorů, Řídkými Autoenkodéry a vybělením Analýzou hlavních komponent byly otestovány v systému pro klasifikaci videa pomocí Bag of Words, ve kterém nahradily ručně-navrženy příznaky (např. SIFT, HOG, HOF). Úspěšnost klasifikace těchto naučených příznaků byla testována na datových sadách Human Motion DataBase a YouTube Action Data Set, kde ukázaly lepší výsledky než ručně-navrženy příznaky. Tato práce také ukazuje pomocí navržené metody inspirovanej metódami Multiple Kernel Learning, že při kombinaci naučených příznaků s ručně-navrženými příznaky lze dosáhnout ještě výraznější zlepšení úspěšnosti klasifikace videa a to i v případě, když ručně-navrženy příznaky a naučené příznaky samostatně nedosahují příliš velké úspěšnosti klasifikace. | cs |
| dc.description.abstract | This thesis compares hand-designed features with features learned by feature learning methods in video classification. The features learned by Principal Component Analysis whitening, Independent subspace analysis and Sparse Autoencoders were tested in a standard Bag of Visual Word classification paradigm replacing hand-designed features (e.g. SIFT, HOG, HOF). The classification performance was measured on Human Motion DataBase and YouTube Action Data Set. Learned features showed better performance than the hand-desined features. The combination of hand-designed features and learned features by Multiple Kernel Learning method showed even better performance, including cases when hand-designed features and learned features achieved not so good performance separately. | en |
| dc.description.mark | A | cs |
| dc.identifier.citation | BEHÚŇ, K. Příznaky z videa pro klasifikaci [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2013. | cs |
| dc.identifier.other | 78848 | cs |
| dc.identifier.uri | http://hdl.handle.net/11012/53510 | |
| 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 | Klasifikace videa | cs |
| dc.subject | video příznaky | cs |
| dc.subject | učení příznaků | cs |
| dc.subject | Analýza hlavních komponent | cs |
| dc.subject | Nezávislá analýza podprostoru | cs |
| dc.subject | Řídké Autoenkodéry | cs |
| dc.subject | Bag of Words | cs |
| dc.subject | Support Vector Machine | cs |
| dc.subject | Multiple Kernel Learning | cs |
| dc.subject | Video Classification | en |
| dc.subject | video features | en |
| dc.subject | feature learning | en |
| dc.subject | Principal component analysis | en |
| dc.subject | Independent subspace analysis | en |
| dc.subject | Sparse Autoencoders | en |
| dc.subject | Bag of Words | en |
| dc.subject | Support Vector Machine | en |
| dc.subject | Multiple Kernel Learning | en |
| dc.title | Příznaky z videa pro klasifikaci | cs |
| dc.title.alternative | Video Feature for Classification | en |
| dc.type | Text | cs |
| dc.type.driver | masterThesis | en |
| dc.type.evskp | diplomová práce | cs |
| dcterms.dateAccepted | 2013-06-14 | cs |
| dcterms.modified | 2020-05-09-23:43:13 | cs |
| eprints.affiliatedInstitution.faculty | Fakulta informačních technologií | cs |
| sync.item.dbid | 78848 | en |
| sync.item.dbtype | ZP | en |
| sync.item.insts | 2025.03.26 15:15:38 | en |
| sync.item.modts | 2025.01.15 18:49:46 | en |
| thesis.discipline | Inteligentní systémy | cs |
| thesis.grantor | Vysoké učení technické v Brně. Fakulta informačních technologií. Ústav počítačové grafiky a multimédií | cs |
| thesis.level | Inženýrský | cs |
| thesis.name | Ing. | cs |