Adaptace centroid detektoru pro vícetřídní úlohy
Loading...
Date
Authors
Kelbl, Jan
ORCID
Advisor
Referee
Mark
A
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta strojního inženýrství
Abstract
Tato diplomová práce demonstruje využitelnost centroid detektoru na úlohách vícetřídní detekce objektů. Teoretická část této práce se zaměřuje na základy digitálního obrazu, umělé neuronové sítě, techniky segmentace obrazu s ohledem na vícetřídní úlohy a techniky detekce objektů, obojí s využitím hlubokého učení. Praktická část se zaměřuje na adaptaci centroid detektoru na vícetřídní úlohy včetně návrhu techniky tréninku. Je zavedena nová metrika, střední lokalizační odchylka, umožňující nezkreslené vyhodnocení vícetřídního centroid detektoru. Nakonec je vícetřídní centroid detektor natrénován a vyhodnocen na třech datových sadách různé složitosti. Výsledky ukazují skvělou výkonnost centroid detektoru na vícetřídních úlohách. To je důležitým krokem k aplikaci centroid detektoru na složitější reálné úlohy.
This master's thesis demonstrates the usability of the centroid detector for multiclass object detection tasks. The theoretical part of this thesis focuses on the fundamentals of digital image, artificial neural networks, state-of-the-art image segmentation techniques with regard to multiclass tasks, and object detection techniques, both using deep learning. The practical part focuses on adapting the centroid detector to multiclass tasks, including proposing a training technique. A novel metric, mean localization error, is introduced. This metric allows for unbiased evaluation of the multiclass centroid detector. Finally, the multiclass centroid detector is trained and evaluated on three datasets of varying complexities. The results show great performance of the centroid detector on multiclass tasks. This is an important step towards applying the centroid detector to more complex real-world problems.
This master's thesis demonstrates the usability of the centroid detector for multiclass object detection tasks. The theoretical part of this thesis focuses on the fundamentals of digital image, artificial neural networks, state-of-the-art image segmentation techniques with regard to multiclass tasks, and object detection techniques, both using deep learning. The practical part focuses on adapting the centroid detector to multiclass tasks, including proposing a training technique. A novel metric, mean localization error, is introduced. This metric allows for unbiased evaluation of the multiclass centroid detector. Finally, the multiclass centroid detector is trained and evaluated on three datasets of varying complexities. The results show great performance of the centroid detector on multiclass tasks. This is an important step towards applying the centroid detector to more complex real-world problems.
Description
Citation
KELBL, J. Adaptace centroid detektoru pro vícetřídní úlohy [online]. Brno: Vysoké učení technické v Brně. Fakulta strojního inženýrství. 2023.
Document type
Document version
Date of access to the full text
Language of document
en
Study field
bez specializace
Comittee
prof. Ing. Dagmar Janáčová, CSc. (předseda)
doc. Ing. Václav Jirsík, CSc. (místopředseda)
prof. RNDr. Ing. Miloš Šeda, Ph.D. (člen)
doc. Ing. Jiří Jaroš, Ph.D. (člen)
doc. Ing. Miloš Hammer, CSc. (člen)
Date of acceptance
2023-06-20
Defence
Student sebevědomě prezentoval výsledky své diplomové práce. Otázky oponenta byly zodpovězeny. Následovala diskuse s komisí. Prof. Šeda a doc. Jirsík se dotazovali na výsledky a přesnost detekce. Prof. Janáčová se dotazovala na rozšíření řešení k analýze videa. Doc. Jaroš se dotázal na pořízený dataset CIFA a jeho rozdělení při trénování neuronové sítě.
Komise navrhuje práci na Cenu rektora.
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení