but.committee	doc. RNDr. Pavel Smrž, Ph.D. (předseda) prof. Ing. Adam Herout, Ph.D. (místopředseda) doc. Mgr. Jaroslav Hrdina, Ph.D. (člen) doc. Ing. Michal Španěl, Ph.D. (člen) prof. Ing. Miroslav Švéda, CSc. (člen) prof. Ing. Tomáš Vojnar, 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 A. Otázky u obhajoby: Na str. 37 uvádíte, že trénování s Vaší normalized loss funkcí vede na ostrost a lokalitu detailů v hloubkové mapě srovnatelnou se současnými metodami. Jak jste toto porovnával? Jak by dopadlo porovnání s přístupy, které využívají CRF? Jak si vysvětlujete rozdíly ve výstupech různě trénovaných sítí, které jsou prezentované na Obr. 5.6? V ostatních experimentech tak zásadní rozdíly mezi loss funkcemi nevycházejí... Vysvětlete, co nám jednotlivé metriky (např. Tab. 5.8) říkají o rozdílech mezi výstupem a anotací?	cs
but.jazyk	čeština (Czech)
but.program	Informační technologie	cs
but.result	práce byla úspěšně obhájena	cs
dc.contributor.advisor	Hradiš, Michal	cs
dc.contributor.author	Ivanecký, Ján	cs
dc.contributor.referee	Španěl, Michal	cs
dc.date.created	2016	cs
dc.description.abstract	Táto práca sa zaoberá odhadom hĺbky s použitím konvolučných neurónových sietí. Pre vyriešenie tohto problému je v práci navrhnutý model skladajúci sa z troch častí. Model sa skladá zo siete globálneho kontextu, ktorá odhaduje hrubú štruktúru scény, gradientovej siete, ktorá odhaduje hĺbkové gradienty a zjemňujúcej siete, ktorá na základe výstupov z predchádzajúcich dvoch sietí odhadne konečnú hĺbkovú mapu. Ďalej v práci navrhujem normalizovanú chybovú funkciu na trénovanie neuronových sietí. Použitie tejto chybovej funkcie zlepšuje odhady relatívnej hlbkovej štruktúry scény, za cenu straty informácie o absolutnej hlbke v scéne.	cs
dc.description.abstract	This thesis deals with depth estimation using convolutional neural networks. I propose a three-part model as a solution to this problem. The model contains a global context network which estimates coarse depth structure of the scene, a gradient network which estimates depth gradients and a refining network which utilizes the outputs of previous two networks to produce the final depth map. Additionally, I present a normalized loss function for training neural networks. Applying normalized loss function results in better estimates of the scene's relative depth structure, however it results in a loss of information about the absolute scale of the scene.	en
dc.description.mark	A	cs
dc.identifier.citation	IVANECKÝ, J. Odhad hloubky pomocí konvolučních neuronových sítí [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2016.	cs
dc.identifier.other	96571	cs
dc.identifier.uri	http://hdl.handle.net/11012/61954
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	odhad hĺbky	cs
dc.subject	konvolučné neuronové siete	cs
dc.subject	sieť globálneho kontextu	cs
dc.subject	gradientová sieť	cs
dc.subject	zjemňujúca sieť	cs
dc.subject	NYU Depth v2.	cs
dc.subject	rozšírovanie dát	cs
dc.subject	normalizovaná chybová funkcia	cs
dc.subject	Caffe	cs
dc.subject	depth estimation	en
dc.subject	convolutional neural networks	en
dc.subject	global context network	en
dc.subject	gradient network	en
dc.subject	refining network	en
dc.subject	NYU Depth v2.	en
dc.subject	data augmentation	en
dc.subject	normalized loss	en
dc.subject	Caffe	en
dc.title	Odhad hloubky pomocí konvolučních neuronových sítí	cs
dc.title.alternative	Depth Estimation by Convolutional Neural Networks	en
dc.type	Text	cs
dc.type.driver	masterThesis	en
dc.type.evskp	diplomová práce	cs
dcterms.dateAccepted	2016-06-20	cs
dcterms.modified	2020-05-10-16:12:43	cs
eprints.affiliatedInstitution.faculty	Fakulta informačních technologií	cs
sync.item.dbid	96571	en
sync.item.dbtype	ZP	en
sync.item.insts	2025.03.26 15:23:26	en
sync.item.modts	2025.01.15 18:43:37	en
thesis.discipline	Počítačová grafika a multimédia	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

Odhad hloubky pomocí konvolučních neuronových sítí

Files

Original bundle

Collections