but.committee	prof. Dr. Ing. Pavel Zemčík, dr. h. c. (předseda) doc. Ing. Lukáš Burget, Ph.D. (místopředseda) doc. Mgr. Lukáš Holík, Ph.D. (člen) doc. Ing. Tomáš Martínek, Ph.D. (člen) doc. Ing. Petr Matoušek, Ph.D., M.A. (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: Jak byste poučeně upravoval neuronovou síť nebo způsob jejího učení, kdybyste měl za úkol dosáhnout výrazně větší úspěšnosti detekce? Kvantifikujte Vaše rozšíření existujících datasetů a možnosti jeho použití (licence, autorství, atd.).	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	Molisch, Marek	cs
dc.contributor.referee	Herout, Adam	cs
dc.date.created	2021	cs
dc.description.abstract	Cílem této práce je porovnat současné architektury modelů, zodpovědné za detekci objektů a použít je pro úlohu detekce graffiti tagů. Pro tyto účely byly v řešení vybrány state-of-the-art modely, které jsou podporovány frameworkem Tensorflow. Architektura Faster R-CNN byla nejpřesnější a architektura SSD nejrychlejší. Také byly provedeny experimenty s graffiti tagy z Athén na datasetu STORM, kde se zjistilo, že ke graffiti tagům je žádoucí přistupovat jako k objektům a ne jako k písmu.	cs
dc.description.abstract	The goal of this work is to compare today's architecture of object detection models and use them for the purpose of graffiti tag detection. State-of-the-art models, which are compatible with the Tensorflow framework, were used. Faster R-CNN architecture was found to be the most accurate and SSD architecture to be the fastest. Experiments with graffiti tags from Athens in the STORM dasater showed, that it is better to approach graffiti tags as objects rather than writings.	en
dc.description.mark	B	cs
dc.identifier.citation	MOLISCH, M. Detekce graffiti tagů v obraze [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2021.	cs
dc.identifier.other	136434	cs
dc.identifier.uri	http://hdl.handle.net/11012/199314
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	detekce objektů	cs
dc.subject	graffiti tagy	cs
dc.subject	konvoluční neuronové sítě	cs
dc.subject	Faster R-CNN	cs
dc.subject	SSD	cs
dc.subject	CenterNet	cs
dc.subject	EfficientDet	cs
dc.subject	Tensorflow	cs
dc.subject	object detection	en
dc.subject	graffiti tags	en
dc.subject	convolutional neural networks	en
dc.subject	Faster R-CNN	en
dc.subject	SSD	en
dc.subject	CenterNet	en
dc.subject	EfficientDet	en
dc.subject	Tensorflow	en
dc.title	Detekce graffiti tagů v obraze	cs
dc.title.alternative	Detection of Graffiti Tags in Image	en
dc.type	Text	cs
dc.type.driver	bachelorThesis	en
dc.type.evskp	bakalářská práce	cs
dcterms.dateAccepted	2021-06-14	cs
dcterms.modified	2021-06-19-12:15:44	cs
eprints.affiliatedInstitution.faculty	Fakulta informačních technologií	cs
sync.item.dbid	136434	en
sync.item.dbtype	ZP	en
sync.item.insts	2025.03.18 19:34:45	en
sync.item.modts	2025.01.15 19:36:25	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

Detekce graffiti tagů v obraze

Files

Original bundle

Collections