but.committee	prof. Ing. Tomáš Hruška, CSc. (předseda) prof. Ing. Martin Drahanský, Ph.D. (místopředseda) prof. Dr. Ing. Jan Černocký (člen) Mgr. Kamil Malinka, Ph.D. (člen) doc. Mgr. Adam Rogalewicz, Ph.D. (člen) prof. Dr. Ing. Pavel Zemčík, dr. h. c. (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: Explain better the findings that the visualization of latent vectors has brought. What else specifically needs to be done with your result to make it usable in a real user application? How many runs did you perform?	cs
but.jazyk	angličtina (English)
but.program	Informační technologie a umělá inteligence	cs
but.result	práce byla úspěšně obhájena	cs
dc.contributor.advisor	Herout, Adam	en
dc.contributor.author	Konečný, Daniel	en
dc.contributor.referee	Beran, Vítězslav	en
dc.date.accessioned	2022-09-16T14:50:56Z
dc.date.available	2022-09-16T14:50:56Z
dc.date.created	2022	cs
dc.description.abstract	Cílem této práce je rozpoznání sportovních pozic v obrazových datech za pomocí přístupu self-supervised learning pro docílení vyšší úspěšnosti klasifikace s použitím malého množství anotovaných vzorků. Učení za pomocí self-supervision je docíleno snímky stejné scény z různých úhlů ve stejných a různých časech. Konvoluční neuronová síť naučená s pomocí funkce triplet loss zakóduje sportovní pozice do latentních vektorů a plně propojená neuronová síť tyto vektory klasifikuje. Model natrénovaný pomocí self-supervised learning dosahuje o 30-40 % vyšší úspěšnosti než supervised model, když je trénovaný pouze na desítkách či jednotkách označených snímků z každé třídy. Hlavními přínosy této práce jsou nástroje pro přípravu datové sady pro tento specifický typ učení, dvě datové sady s více anotacemi a implementované modely využívající self-supervised learning. Výsledky ukazují, že učení za pomocí self-supervision je vhodný přístup pro řešení klasifikace za použití velmi malého množství označených snímků.	en
dc.description.abstract	The goal of this thesis is to recognize sports poses in image data with a self-supervised learning approach to achieve high classification accuracy even with a low number of annotated samples. Self-supervision is obtained by using images of the same scene from multiple viewpoints at identical and different times. A convolutional neural network trained with triplet loss learns embedding vectors of sports poses and a dense neural network classifies them. The proposed self-supervised model achieves classification accuracy higher by 30-40 % than a supervised model when there are only tens or ones of annotated training samples from each class. The main contributions of this thesis are a set of semi-automatic tools to prepare a dataset for the specific training process, two datasets with sets of labels for classification, and implemented models for specific self-supervised learning. The results show that self-supervised learning is a meaningful approach for solving classification problems with very few labeled samples.	cs
dc.description.mark	A	cs
dc.identifier.citation	KONEČNÝ, D. Použití self-supervised learning pro rozpoznání sportovních pozic v obraze [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2022.	cs
dc.identifier.other	146490	cs
dc.identifier.uri	http://hdl.handle.net/11012/208383
dc.language.iso	en	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	strojové učení	en
dc.subject	počítačové vidění	en
dc.subject	rozpoznání	en
dc.subject	konvoluční neuronová síť	en
dc.subject	obraz	en
dc.subject	self-supervised learning	en
dc.subject	time-contrastive learning	en
dc.subject	sportovní pozice	en
dc.subject	machine learning	cs
dc.subject	computer vision	cs
dc.subject	recognition	cs
dc.subject	convolutional neural network	cs
dc.subject	image	cs
dc.subject	self-supervised learning	cs
dc.subject	time-contrastive learning	cs
dc.subject	sports pose	cs
dc.title	Použití self-supervised learning pro rozpoznání sportovních pozic v obraze	en
dc.title.alternative	Self-Supervised Learning for Recognition of Sports Poses in Image	cs
dc.type	Text	cs
dc.type.driver	masterThesis	en
dc.type.evskp	diplomová práce	cs
dcterms.dateAccepted	2022-08-26	cs
dcterms.modified	2022-09-05-14:18:03	cs
eprints.affiliatedInstitution.faculty	Fakulta informačních technologií	cs
sync.item.dbid	146490	en
sync.item.dbtype	ZP	en
sync.item.insts	2022.09.16 16:50:56	en
sync.item.modts	2022.09.16 16:15:53	en
thesis.discipline	Strojové učení	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

Použití self-supervised learning pro rozpoznání sportovních pozic v obraze

Files

Original bundle

Collections