Rychlá analýza hranic v obraze
Loading...
Date
Authors
Kolesár, Matej
Advisor
Referee
Mark
B
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta informačních technologií
ORCID
Abstract
Táto práca sa zameriava na problém detekcie hrán v prirodzených obrazoch pri zachovaní vysokej rýchlosti pre spracovanie obrázku. Najprv sa analyzujú existujúce prístupy a z nich sa extrahujú príslušné informácie. Táto informácia sa potom použije na navrhnutie dvoch architektúr, ktoré používajú konvolučné neurónové siete. Jedna architektúra je založená na RCF a obohacuje výstup, zatiaľ čo druhá je kombináciou RCF a RCN. Táto kombinácia poskytuje lepšie vzorkovanie a ešte viac obohacuje výstup. Vyhodnotenie sa uskutočnilo na dátovej sade BSDS500 a najlepší výsledok sa dosiahol pre model, ktorý kombinoval RCF a RCN so skóre ODS 0,675.
This thesis focuses on the problem of detecting edges in natural images while maintaining high performance per image. First, the existing approaches are analysed and from them the relevant information is extracted. This information is then used to design two architectures that use convolutional neural networks. One architecture is based on RCF and enriches the output, while the other is a combination of RCF and RCN. This combination provides better up-sampling and enriches the output even more. Evaluation was performed on the BSDS500 dataset and the best result was for achieved for the model that combined RCF and RCN with an ODS score of 0.675.
This thesis focuses on the problem of detecting edges in natural images while maintaining high performance per image. First, the existing approaches are analysed and from them the relevant information is extracted. This information is then used to design two architectures that use convolutional neural networks. One architecture is based on RCF and enriches the output, while the other is a combination of RCF and RCN. This combination provides better up-sampling and enriches the output even more. Evaluation was performed on the BSDS500 dataset and the best result was for achieved for the model that combined RCF and RCN with an ODS score of 0.675.
Description
Citation
KOLESÁR, M. Rychlá analýza hranic v obraze [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2020.
Document type
Document version
Date of access to the full text
Language of document
en
Study field
Informační technologie
Comittee
doc. Ing. Martin Čadík, Ph.D. (předseda)
doc. Ing. Jiří Jaroš, Ph.D. (místopředseda)
Ing. David Bařina, Ph.D. (člen)
doc. Ing. Radek Burget, Ph.D. (člen)
doc. Mgr. Lukáš Holík, Ph.D. (člen)
Date of acceptance
2020-07-08
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 velmi dobře. Otázky u obhajoby: Vysvětlete, jak je realizována cross validace na třech různých datasetech? Byla síť trénovaná samostatně na různých datasetech nebo společně? Jak si vysvětlujete velké propady v precision-recall křice pro RCN síť? Experimentoval jste během trénování i s jinými parametry kromě learning rate? Dle konfiguračního souboru máte parametr Batch Size nastaven na 8, je tato velikost optimální? Je Vámi implementovaná architektura rychlejší než původní implementace?
Result of defence
práce byla úspěšně obhájena