but.committee	prof. Dr. Ing. Pavel Zemčík, dr. h. c. (předseda) prof. Ing. Jan M. Honzík, CSc. (místopředseda) doc. Ing. Jiří Jaroš, Ph.D. (člen) Ing. Filip Orság, Ph.D. (člen) doc. Ing. Michal Španěl, 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 B. Otázky u obhajoby: Proč je na výstupu sítí lineární aktivace, když se očekávají pozitivní výstupní hodnoty? Jaká aktivační funkce by byla vhodnější? Jak z vašich výsledných obrázků lze poznat, jestli je výsledek dobrý nebo špatný? Proč jste batch normalizaci nepoužil u všech sítí? Metriky, které uvádíte se vztahují na počet vozidel nebo na pixely? Je metrika s počtem vozidel zvolena úplně šťastně?	cs
but.jazyk	čeština (Czech)
but.program	Informační technologie	cs
but.result	práce byla úspěšně obhájena	cs
dc.contributor.advisor	Špaňhel, Jakub	cs
dc.contributor.author	Hladiš, Martin	cs
dc.contributor.referee	Juránek, Roman	cs
dc.date.created	2021	cs
dc.description.abstract	Cílem této práce je porovnání modelů konvolučních neuronových sítí, které využívají princip počítání pomocí odhadu hustoty pro úkol počítání vozidel ve statickém obraze. Celkem byly testovány tyto modely -- Counting CNN, Scale-adaptive CNN, Multi-Scale Fusion Net a Multi-scale CNN. Jejich schopnost odhadu byla testována na datasetech -- TRANCOS, CARPK, PUCPR+. Nejlepších výsledků dosáhl model Multi-Scale Fusion Net. Jeho přesnost odhadu na datasetu TRANCOS v metrice Mean Absolut Error dosáhla hodnoty 8.05.	cs
dc.description.abstract	The goal of this thesis is to compare different models of convolutional neural networks, which use the principle of using density estimation to count the number of vehicles in a still image. The tested models were -- Counting CNN, Scale-adaptive CNN, Multi-Scale Fusion Net a Multi-scale CNN. Their estimation capability was tested using these datasets -- TRANCOS, CARPK, PUCPR+. The most accurate results were achieved by the Multi-Scale Fusion Net model. Its estimation accuracy using the dataset TRANCOS in the Mean Absolute Error metric achieved value of 8.05.	en
dc.description.mark	B	cs
dc.identifier.citation	HLADIŠ, M. Počítání vozidel ve statickém obraze [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2021.	cs
dc.identifier.other	137569	cs
dc.identifier.uri	http://hdl.handle.net/11012/201097
dc.language.iso	cs	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	počítaní vozidel	cs
dc.subject	odhad hustoty	cs
dc.subject	konvoluční neuronové sítě	cs
dc.subject	Counting CNN	cs
dc.subject	Scale-adaptive CNN	cs
dc.subject	Multi-scale Fusion Network	cs
dc.subject	Multi-scale CNN	cs
dc.subject	vehicle counting	en
dc.subject	density estimation	en
dc.subject	convolutional neural networks	en
dc.subject	Counting CNN	en
dc.subject	Scale-adaptive CNN	en
dc.subject	Multi-scale Fusion Network	en
dc.subject	Multi-scale CNN	en
dc.title	Počítání vozidel ve statickém obraze	cs
dc.title.alternative	Vehicle Counting in Still Image	en
dc.type	Text	cs
dc.type.driver	bachelorThesis	en
dc.type.evskp	bakalářská práce	cs
dcterms.dateAccepted	2021-08-25	cs
dcterms.modified	2021-08-27-17:16:45	cs
eprints.affiliatedInstitution.faculty	Fakulta informačních technologií	cs
sync.item.dbid	137569	en
sync.item.dbtype	ZP	en
sync.item.insts	2025.03.18 19:38:21	en
sync.item.modts	2025.01.15 22:53:04	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

Počítání vozidel ve statickém obraze

Files

Original bundle

Collections