but.committee	prof. Ing. Adam Herout, Ph.D. (předseda) doc. Mgr. Adam Rogalewicz, Ph.D. (místopředseda) doc. Ing. Michal Bidlo, Ph.D. (člen) doc. Ing. Martin Čadík, Ph.D. (člen) Ing. Zbyněk Křivka, 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: Jakou jste volil hodnotu překryvu (IoU) pro výpočet mAP ve Vašich experimentech? Může mít na tuto volbu vliv potenciální finální aplikace, ve Vašem případě odhalování vandalismu? Metody Mask R-CNN a CCNN nedosáhly přesnosti bounding boxů jiných metod. Daly by se jejich výstupy (segmentační maska, mapa hustoty) přesto nějakým způsobem využít v řešeném problému? Jak Vámi vytvořená neuronová síť rozpozná dva překryté graffiti tagy? Co lze dál dělat s výsledky Vaši aplikace? Lze podle nich např. odhalit tvůrce tagu?	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	Fischer, Martin	cs
dc.contributor.referee	Kodym, Oldřich	cs
dc.date.created	2019	cs
dc.description.abstract	Cílem této práce je porovnat různé přístupy počítačového vidění se záměrem automatické detekce graffiti tagů v obraze. Za tímto účelem byly v řešení použity modely založené na neuronových sítích. V práci byly otestovány jak osvědčené detekční modely, tak i modely experimentální. U nejpřesnějšího z nich (Faster R-CNN) bylo dosaženo přesnosti 83% mAP, což poukázalo na vhodnost těchto modelů při řešení otázky detekce tagů.	cs
dc.description.abstract	The aim of this work is to compare different approaches of computer vision with the intention of automatic detection of graffiti tags in the image. The solution was based on models based on neural networks. Both the proven detection models and the experimental models were tested here. The most accurate one (Faster R-CNN) achieved an accuracy of 83% mAP, indicating the suitability of these models to the tag detection problem.	en
dc.description.mark	B	cs
dc.identifier.citation	FISCHER, M. Detekce graffiti tagů v obraze [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2019.	cs
dc.identifier.other	121881	cs
dc.identifier.uri	http://hdl.handle.net/11012/180108
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	R-FCN	cs
dc.subject	Mask R-CNN	cs
dc.subject	EAST detektor	cs
dc.subject	CCNN	cs
dc.subject	Counting CNN	cs
dc.subject	object detection	en
dc.subject	graffiti tags	en
dc.subject	convolutional neural network	en
dc.subject	Faster R-CNN	en
dc.subject	R-FCN	en
dc.subject	Mask R-CNN	en
dc.subject	EAST detector	en
dc.subject	CCNN	en
dc.subject	Counting CNN	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	2019-06-11	cs
dcterms.modified	2019-07-08-13:31:16	cs
eprints.affiliatedInstitution.faculty	Fakulta informačních technologií	cs
sync.item.dbid	121881	en
sync.item.dbtype	ZP	en
sync.item.insts	2025.03.18 19:09:45	en
sync.item.modts	2025.01.15 23:48:48	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