but.committee	prof. Ing. Adam Herout, Ph.D. (předseda) doc. Ing. Martin Čadík, Ph.D. (místopředseda) doc. Ing. Michal Bidlo, Ph.D. (člen) Ing. Matěj Grégr, Ph.D. (člen) Ing. Radek Kočí, 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. 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: - Nejlepší architektura dosahuje chybovosti ~5%. Existují způsoby, jak chybu dále snižovat? - Dala by se odhadnout chybovost anotací vytvořeného datasetu? Vhled by mohly poskytnout například konkrétní příklady chybné klasifikace navržené metody.	cs
but.jazyk	slovenština (Slovak)
but.program	Informační technologie	cs
but.result	práce byla úspěšně obhájena	cs
dc.contributor.advisor	Špaňhel, Jakub	sk
dc.contributor.author	Čabala, Roman	sk
dc.contributor.referee	Kodym, Oldřich	sk
dc.date.created	2020	cs
dc.description.abstract	Cieľom tejto bakalárskej práce je rozpoznať typ vozidla z obrazu pomocou neurónových sietí. Vozidlá sú rozdelené na šesť typov a to konkrétne - osobné auto, malá dodávka, dodávka, nákladné auto, kamión a autobus. Dátová sada bola vlastnoručne zozbieraná z videozáznamov, ktoré zaznamenávajú trajektóriu vozidiel. Následne bol zostrojený anotačný nástroj na anotovanie obrázkov. Na trénovanie sietí boli použité architektúry: VGG16, ResNet50, Xception, InceptionResNet-v2. Výsledkom práce je porovnanie architektúr. Všetky architektúry sa natrénovali a dosiahli výsledok nad 90%.	sk
dc.description.abstract	The goal of this bachelor thesis is to recognize the type of vehicle from the image using neural networks. Vehicles are divided into 6 types, namely a car, a small van, a van, a mini truck, a truck and a bus. The data set was picked from videos that record the trajectory of the vehicles. Subsequently, an image annotation tool was built. The following architectures were used for network training: VGG16, ResNet50, Xception, InceptionResNet-v2. The result of the work is a comparison of architectures. All architectures were trained and achieved a result above 90%.	en
dc.description.mark	C	cs
dc.identifier.citation	ČABALA, R. Rozpoznání druhu vozidla v obraze [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2020.	cs
dc.identifier.other	129098	cs
dc.identifier.uri	http://hdl.handle.net/11012/191677
dc.language.iso	sk	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	klasifikácia druhu vozidla	sk
dc.subject	Python	sk
dc.subject	Tensorflow	sk
dc.subject	Keras	sk
dc.subject	VGG16	sk
dc.subject	ResNet50	sk
dc.subject	Xception	sk
dc.subject	InceptionResNet	sk
dc.subject	vehicle type classification	en
dc.subject	Python	en
dc.subject	Tensorflow	en
dc.subject	Keras	en
dc.subject	VGG16	en
dc.subject	ResNet50	en
dc.subject	Xception	en
dc.subject	InceptionResNet	en
dc.title	Rozpoznání druhu vozidla v obraze	sk
dc.title.alternative	Recognition of Vehicle Class in Image	en
dc.type	Text	cs
dc.type.driver	bachelorThesis	en
dc.type.evskp	bakalářská práce	cs
dcterms.dateAccepted	2020-07-09	cs
dcterms.modified	2020-07-13-23:41:08	cs
eprints.affiliatedInstitution.faculty	Fakulta informačních technologií	cs
sync.item.dbid	129098	en
sync.item.dbtype	ZP	en
sync.item.insts	2025.03.18 19:31:40	en
sync.item.modts	2025.01.15 16:30:56	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 druhu vozidla v obraze

Files

Original bundle

Collections