but.jazyk	angličtina (English)
but.program	Výpočetní technika a informatika	cs
but.result	práce byla úspěšně obhájena	cs
dc.contributor.advisor	Zemčík, Pavel	en
dc.contributor.author	Hradiš, Michal	en
dc.contributor.referee	Kälviäinen, Heikki	en
dc.contributor.referee	Matas, Jiří	en
dc.date.created		cs
dc.description.abstract	Cílem této dizertační prace je vylepšit existující detektory objektů pomocí sdílení informace a výpočtů mezi blízkými pozicemi v obraze. Navrhuje dvě metody, které jsou založené na Waldově sekvenčním testu poměrem pravděpodobností a algoritmu WaldBoost. První z nich, Early non-Maxima Suppression , přesunuje rozhodování o potlačení nemaximálních pozic ze závěrečné fáze do fáze vyhodnocování detektoru, čímž zamezuje zbytečným výpočtům detektoru v nemaximálních pozicích. Metoda neighborhood suppression doplňuje existující detektory o schopnost zavrhnout okolní pozice v obraze. Navržené metody je možné aplikovat na širokou škálu detektorů. Vyhodnocení obou metod dokazují jejich výrazně vyšší efektivitu v porovnání s detektory, které vyhodnocují jednotlivé pozice obrazu zvlášť. Dizertace navíc prezentuje výsledky rozsáhlých experimentů, jejichž cílem bylo vyhodnotit vlastnosti běžných obrazových příznaků v několika detekčních úlohách a situacích.	en
dc.description.abstract	This thesis aims to improve existing scanning-window object detectors by exploiting information shared among neighboring image windows. This goal is realized by two novel methods which are build on the ideas of Wald's Sequential Probability Ratio Test and WaldBoost. Early non-Maxima Suppression moves non-maxima suppression decisions from a post-processing step to an early classification phase in order to make the decisions as soon as possible and thus avoid normally wasted computations. Neighborhood suppression enhances existing detectors with an ability to suppress evaluation at overlapping positions. The proposed methods are applicable to a wide range of detectors. Experiments show that both methods provide significantly better speed-precision trade-off compared to state-of-the-art WaldBoost detectors which process image windows independently. Additionally, the thesis presents results of extensive experiments which evaluate commonly used image features in several detection tasks and scenarios.	cs
dc.description.mark	P	cs
dc.identifier.citation	HRADIŠ, M. Sdílení lokální informace pro rychlejší detekci objektů [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. .	cs
dc.identifier.other	99800	cs
dc.identifier.uri	http://hdl.handle.net/11012/63246
dc.language.iso	en	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	Detekce objektů	en
dc.subject	AdaBoost	en
dc.subject	WaldBoost	en
dc.subject	EnMS	en
dc.subject	Object detection	cs
dc.subject	AdaBoost	cs
dc.subject	WaldBoost	cs
dc.subject	EnMS	cs
dc.subject	neighborhood suppression	cs
dc.subject	scanning-window	cs
dc.title	Sdílení lokální informace pro rychlejší detekci objektů	en
dc.title.alternative	Sharing Local Information for Faster Scanning-Window Object Detection	cs
dc.type	Text	cs
dc.type.driver	doctoralThesis	en
dc.type.evskp	dizertační práce	cs
dcterms.modified	2020-05-10-17:46:40	cs
eprints.affiliatedInstitution.faculty	Fakulta informačních technologií	cs
sync.item.dbid	99800	en
sync.item.dbtype	ZP	en
sync.item.insts	2025.03.27 12:12:00	en
sync.item.modts	2025.01.15 23:30:50	en
thesis.discipline	Výpočetní technika a informatika	cs
thesis.grantor	Vysoké učení technické v Brně. Fakulta informačních technologií. Ústav počítačové grafiky a multimédií	cs
thesis.level	Doktorský	cs
thesis.name	Ph.D.	cs

Sdílení lokální informace pro rychlejší detekci objektů

Files

Original bundle

Collections