but.committee	doc. Ing. Martin Čadík, Ph.D. (předseda) doc. Ing. Jiří Jaroš, Ph.D. (místopředseda) Ing. David Bařina, Ph.D. (člen) doc. Ing. Radek Burget, Ph.D. (člen) doc. Mgr. Lukáš Holík, 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 výborně (A). Otázky u obhajoby: Co je Active Learning? Proč je jednodušší natrénovat reziduální model? Jaká byla nejnáročnější část práce? Co je Vaší prací? Proč jste zvolil tuto architekturu? Jaký hardware jste používal? Jak dlouho trénování trvalo?	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	Ševčík, Pavel	cs
dc.contributor.referee	Kolář, Martin	cs
dc.date.created	2020	cs
dc.description.abstract	Cílem této práce byla příprava trénovací datové sady pro detekci dopravních značek pomocí generativních neuronových sítí. V řešení byla použita upravená architektura U-Net a bylo experimentováno s aplikací stylů pomocí vrstev AdaIN podobně jako v modelu StyleGAN. Rozšířením reálné datové sady GTSDB o uměle vytvořené snímky bylo dosaženo úspěšnosti 80,36 %, což představuje zlepšení o 19,27 % oproti úspěšnosti detektoru natrénovanému pouze na reálných datech.	cs
dc.description.abstract	The aim of this thesis was to prepare a training data set for traffic sign detection using generative neural networks. The solution uses a modified U-Net architecture and several experiments with the application of styles using AdaIN layers as in the StyleGAN model have been conducted. By extending the real GTSDB data set with the generated images, mean average precision of 80.36 % has been achieved, which yields an improvement of 19.27 % compared to the mean average precision of the detection model trained on real data only.	en
dc.description.mark	A	cs
dc.identifier.citation	ŠEVČÍK, P. Příprava trénovacích dat pomocí generativních neuronových sítí [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2020.	cs
dc.identifier.other	129006	cs
dc.identifier.uri	http://hdl.handle.net/11012/191405
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	Příprava trénovacích dat	cs
dc.subject	detekce dopravních značek	cs
dc.subject	generativní neuronové sítě	cs
dc.subject	GAN	cs
dc.subject	SSD	cs
dc.subject	Pix2Pix	cs
dc.subject	AdaIN	cs
dc.subject	Generating training data	en
dc.subject	traffic sign detection	en
dc.subject	generative neural networks	en
dc.subject	GAN	en
dc.subject	SSD	en
dc.subject	Pix2Pix	en
dc.subject	AdaIN	en
dc.title	Příprava trénovacích dat pomocí generativních neuronových sítí	cs
dc.title.alternative	Generating training data with neural networks	en
dc.type	Text	cs
dc.type.driver	bachelorThesis	en
dc.type.evskp	bakalářská práce	cs
dcterms.dateAccepted	2020-07-08	cs
dcterms.modified	2020-07-13-23:41:07	cs
eprints.affiliatedInstitution.faculty	Fakulta informačních technologií	cs
sync.item.dbid	129006	en
sync.item.dbtype	ZP	en
sync.item.insts	2025.03.18 19:28:00	en
sync.item.modts	2025.01.15 15:48:21	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

Příprava trénovacích dat pomocí generativních neuronových sítí

Files

Original bundle

Collections