but.committee	doc. RNDr. Pavel Smrž, Ph.D. (předseda) doc. RNDr. Jitka Kreslíková, CSc. (místopředseda) Ing. Ivana Burgetová, Ph.D. (člen) Dr. Ing. Petr Peringer (člen) Ing. Josef Strnadel, 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: Porovnejte výsledky Vaší experimentální práce s dříve publikovanými pracemi. Vysvětlete, proč jste použil různé testovací sady při porovnáni s dříve publikovanými pracemi.	cs
but.jazyk	čeština (Czech)
but.program	Informační technologie	cs
but.result	práce byla úspěšně obhájena	cs
dc.contributor.advisor	Smrž, Pavel	cs
dc.contributor.author	Glos, Michal	cs
dc.contributor.referee	Musil, Petr	cs
dc.date.created	2021	cs
dc.description.abstract	Cílem této práce bylo rozšíření datové sady pro detekci dopravních značek. K řešení byly použity generativní neuronové sítě typu PatchGAN a Wasserstein GAN, kombinující architektury DenseNet a U-Net. Modely byly navrženy k syntéze snímků reálně vypadajících dopravních značek z obrázků jejich norem. Model pro detekci objektů typu SSD, natrénován pouze na syntetických datech, dosáhl přesnosti 59.6 % mAP, což je o 9.4 % lepší výsledek oproti referenčnímu modelu, natrénovaném pouze na původních datech. V případě natrénování modelu na kombinaci syntetických a původních dat, dosáhl SSD model přesnosti až 80.1 % mAP.	cs
dc.description.abstract	The goal of this thesis was to extend a dataset for traffic sign detection. The solution was based on generative neural networks PatchGAN and Wasserstein GAN of combined DenseNet and U-Net architecture. Those models were designed to synthesize real looking traffic signs from images of their norms. Model for object detection SSD, trained on synthetic data only, achieved mean average precision of 59.6 %, which is an improvement of 9.4 % over the model trained on the original data. SSD model trained on synthetic and original data combined achieved mean average precision of 80.1 %.	en
dc.description.mark	B	cs
dc.identifier.citation	GLOS, M. Využití sítí typu GAN pro zpřesňování detekce a rozpoznávání dopravních značek [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2021.	cs
dc.identifier.other	136525	cs
dc.identifier.uri	http://hdl.handle.net/11012/198935
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	SSD	cs
dc.subject	GAN	cs
dc.subject	detekce dopravních značek	cs
dc.subject	generativní model	cs
dc.subject	Pix2Pix	cs
dc.subject	U-Net	cs
dc.subject	Wasserstein GAN	cs
dc.subject	PatchGAN.	cs
dc.subject	SD	en
dc.subject	GAN	en
dc.subject	traffic sign detection	en
dc.subject	generative model	en
dc.subject	Pix2Pix	en
dc.subject	U-Net	en
dc.subject	Wasserstein GAN	en
dc.subject	PatchGAN.	en
dc.title	Využití sítí typu GAN pro zpřesňování detekce a rozpoznávání dopravních značek	cs
dc.title.alternative	Improving Accuracy of Detection and Recognition of Traffic Signs with GANs	en
dc.type	Text	cs
dc.type.driver	bachelorThesis	en
dc.type.evskp	bakalářská práce	cs
dcterms.dateAccepted	2021-06-16	cs
dcterms.modified	2021-06-17-14:25:03	cs
eprints.affiliatedInstitution.faculty	Fakulta informačních technologií	cs
sync.item.dbid	136525	en
sync.item.dbtype	ZP	en
sync.item.insts	2025.03.18 19:34:05	en
sync.item.modts	2025.01.15 20:33:06	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

Využití sítí typu GAN pro zpřesňování detekce a rozpoznávání dopravních značek

Files

Original bundle

Collections