but.committee	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)	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 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?	cs
but.jazyk	angličtina (English)
but.program	Informační technologie	cs
but.result	práce byla úspěšně obhájena	cs
dc.contributor.advisor	Herout, Adam	en
dc.contributor.author	Kolesár, Matej	en
dc.contributor.referee	Španěl, Michal	en
dc.date.created	2020	cs
dc.description.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.	en
dc.description.abstract	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.	cs
dc.description.mark	B	cs
dc.identifier.citation	KOLESÁR, M. Rychlá analýza hranic v obraze [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2020.	cs
dc.identifier.other	129000	cs
dc.identifier.uri	http://hdl.handle.net/11012/191399
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	neurónové siete	en
dc.subject	strojové učenie	en
dc.subject	konvolučné neurónové siete	en
dc.subject	detekcia hraníc	en
dc.subject	neural network	cs
dc.subject	machine learning	cs
dc.subject	convolution neural network	cs
dc.subject	edge detection	cs
dc.title	Rychlá analýza hranic v obraze	en
dc.title.alternative	Fast Analysis of Borders in Image	cs
dc.type	Text	cs
dc.type.driver	bachelorThesis	en
dc.type.evskp	bakalářská práce	cs
dcterms.dateAccepted	2020-07-08	cs
dcterms.modified	2020-07-13-23:41:07	cs
eprints.affiliatedInstitution.faculty	Fakulta informačních technologií	cs
sync.item.dbid	129000	en
sync.item.dbtype	ZP	en
sync.item.insts	2025.03.18 19:27:54	en
sync.item.modts	2025.01.15 18:53:54	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

Rychlá analýza hranic v obraze

Files

Original bundle

Collections