but.committee	doc. Dr. Ing. Dušan Kolář (předseda) prof. Ing. Tomáš Hruška, CSc. (místopředseda) Ing. Vladimír Bartík, Ph.D. (člen) doc. Ing. Vladimír Janoušek, Ph.D. (člen) doc. Ing. Petr Matoušek, Ph.D., M.A. (člen) RNDr. Marek Rychlý, 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: Jaký je rozdíl mezi architekturami ResNet a MobileNet? V čem to je, že s MobileNet lze v této úloze dosáhnout lepších výsledků? Při modifikaci (augmentaci) datové sady využíváte vcelku málo možností. Jaký je důvod, že jste nevyužil více možností, zejména když trpíte nedostatkem dat? Např. geometrické transformace (afinní, perspektivní) či jasové a barevné transformace (posun barev, kompresní šum, strukturální šum, nelineární korekce atd.). Jaký je přínos práce oproti bakalářské práci? Jak se liší zvolený přístup k identifikaci oprati přístupu použitým v pracím, na které tato práce navazuje?	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	Pavlica, Jan	cs
dc.contributor.referee	Beran, Vítězslav	cs
dc.date.created	2020	cs
dc.description.abstract	Tato práce se zaměřuje na možnost využití současných metod na poli počítačového vidění k re-identifikaci graffiti tagů. V práci je zkoumána možnost využití konvolučních neuronových sítí k re-identifikaci graffiti tagů, které jsou nejrozšířenějším typem graffiti. V rámci práce bylo experimentováno s různými modely konvolučních neuronových sítí z nichž nejvhodnější byl MobileNet s využitím triplet loss funkce, kdy se podařilo dosáhnout mAP 36.02%.	cs
dc.description.abstract	This thesis focuses on the possibility of using current methods in the field of computer vision to re-identify graffiti tags. The work examines the possibility of using convolutional neural networks to re-identify graffiti tags, which are the most common type of graffiti. The work experimented with various models of convolutional neural networks, the most suitable of which was MobileNet using the triplet loss function, which managed to achieve a mAP of 36.02%.	en
dc.description.mark	C	cs
dc.identifier.citation	PAVLICA, J. Re-identifikace graffiti tagů [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2020.	cs
dc.identifier.other	129893	cs
dc.identifier.uri	http://hdl.handle.net/11012/195006
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	graffiti tagy	cs
dc.subject	re-identifikace objektů	cs
dc.subject	konvoluční neuronové sítě	cs
dc.subject	MobileNet	cs
dc.subject	ResNet	cs
dc.subject	VGG16	cs
dc.subject	triplet loss	cs
dc.subject	circle loss	cs
dc.subject	graffiti tags	en
dc.subject	object re-identification	en
dc.subject	convolutional neural networks	en
dc.subject	MobileNet	en
dc.subject	ResNet	en
dc.subject	VGG16	en
dc.subject	triplet loss	en
dc.subject	circle loss	en
dc.title	Re-identifikace graffiti tagů	cs
dc.title.alternative	Graffiti Tags Re-Identification	en
dc.type	Text	cs
dc.type.driver	masterThesis	en
dc.type.evskp	diplomová práce	cs
dcterms.dateAccepted	2020-08-28	cs
dcterms.modified	2020-08-30-19:06:16	cs
eprints.affiliatedInstitution.faculty	Fakulta informačních technologií	cs
sync.item.dbid	129893	en
sync.item.dbtype	ZP	en
sync.item.insts	2025.03.26 15:32:24	en
sync.item.modts	2025.01.17 09:34:08	en
thesis.discipline	Informační systémy	cs
thesis.grantor	Vysoké učení technické v Brně. Fakulta informačních technologií. Ústav počítačové grafiky a multimédií	cs
thesis.level	Inženýrský	cs
thesis.name	Ing.	cs

Re-identifikace graffiti tagů

Files

Original bundle

Collections