but.committee	doc. Ing. František Zbořil, CSc. (předseda) doc. Ing. Vladimír Janoušek, Ph.D. (místopředseda) Ing. Michal Hradiš, Ph.D. (člen) Dr. Ing. Petr Peringer (člen) Ing. Jaroslav Rozman, Ph.D. (člen) Ing. Aleš Smrčka, 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 D. Otázky u obhajoby: Proč detekce středové čáry funguje hůře než té krajní? Jak by se Vaše metoda dala použít např. pro detekci čáry v online režimu? Nebo pro detekci všech čar v celém mračně bodů bez zásahu uživatele? Co jste detekoval na vozovce? Jak jste výstup testoval? Uvažoval jste o použití jiných přístupů? Jak byste učil perceptronovou síť bez použití backpropagation? Jakým způsobem jste spojoval lokální čáry do globální?	cs
but.jazyk	čeština (Czech)
but.program	Informační technologie a umělá inteligence	cs
but.result	práce byla úspěšně obhájena	cs
dc.contributor.advisor	Veľas, Martin	cs
dc.contributor.author	Marko, Peter	cs
dc.contributor.referee	Beran, Vítězslav	cs
dc.date.accessioned	2021-06-25T07:55:35Z
dc.date.available	2021-06-25T07:55:35Z
dc.date.created	2021	cs
dc.description.abstract	Práca sa zaoberá detekciou čiary vodorovného dopravného značenia z mračna bodov, ktoré bolo získané laserovým mobilným mapovaním. Systém pracuje interaktívne v spolupráci s užívateľom, ktorý vyznačí počiatok čiary dopravného značenia. Program postupne deteguje zvyšné časti dopravného značenia a vytvorí ich vektorovú reprezentáciu. Na začiatku je mračno bodov premietnuté do vodorovnej roviny a výsledkom je 2D obrázok, ktorý je segmentovaný konvolučnou neurónovou sieťou U-Net. Segmentácia označuje jednu dopravnú čiaru. Segmentácia je prevedená na lomenú čiaru, ktorú je možné použiť v geo-informačnom systéme. Sieť U-Net pri testovaní dosiahla presnosť segmentácie 98,8\%, špecificitu 99,5\% a senzitivitu 72,9\%. Odhadnutá lomená čiara dosiahla priemernú odchýlku 1,8cm.	cs
dc.description.abstract	This thesis is aimed at detection of lines of horizontal road markings from a point cloud, which was obtained using mobile laser mapping. The system works interactively in cooperation with user, which marks the beginning of the traffic line. The program gradually detects the remaining parts of the traffic line and creates its vector representation. Initially, a point cloud is projected into a horizontal plane, crating a 2D image that is segmented by a U-Net convolutional neural network. Segmentation marks one traffic line. Segmentation is converted to a polyline, which can be used in a geo-information system. During testing, the U-Net achieved a segmentation accuracy of 98.8\%, a specificity of 99.5\% and a sensitivity of 72.9\%. The estimated polyline reached an average deviation of 1.8cm.	en
dc.description.mark	D	cs
dc.identifier.citation	MARKO, P. Detekce objektů v laserových skenech pomocí konvolučních neuronových sítí [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2021.	cs
dc.identifier.other	136756	cs
dc.identifier.uri	http://hdl.handle.net/11012/200133
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	vodorovné dopravné značenie	cs
dc.subject	lomená čiara	cs
dc.subject	počítačové videnie	cs
dc.subject	laserové skenovanie	cs
dc.subject	velodyne LiDAR	cs
dc.subject	mračno bodov	cs
dc.subject	konvolučné neuronové siete	cs
dc.subject	detekcia objektov	cs
dc.subject	U-Net	cs
dc.subject	sémantická segmentácia	cs
dc.subject	hlboké učenie	cs
dc.subject	PCL	cs
dc.subject	QGIS	cs
dc.subject	Keras	cs
dc.subject	TensorFlow	cs
dc.subject	horizontal traffic signs	en
dc.subject	polyline	en
dc.subject	computer vision	en
dc.subject	laser scanning	en
dc.subject	Velodyne LiDAR	en
dc.subject	point cloud	en
dc.subject	convolutional neural networks	en
dc.subject	object detection	en
dc.subject	U-Net	en
dc.subject	semantic segmentation	en
dc.subject	deep learning	en
dc.subject	PCL	en
dc.subject	QGIS	en
dc.subject	Keras	en
dc.subject	TensorFlow	en
dc.title	Detekce objektů v laserových skenech pomocí konvolučních neuronových sítí	cs
dc.title.alternative	Object Detection in the Laser Scans Using Convolutional Neural Networks	en
dc.type	Text	cs
dc.type.driver	masterThesis	en
dc.type.evskp	diplomová práce	cs
dcterms.dateAccepted	2021-06-22	cs
dcterms.modified	2021-06-24-11:34:53	cs
eprints.affiliatedInstitution.faculty	Fakulta informačních technologií	cs
sync.item.dbid	136756	en
sync.item.dbtype	ZP	en
sync.item.insts	2021.11.22 23:10:05	en
sync.item.modts	2021.11.22 22:02:37	en
thesis.discipline	Inteligentní systémy	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

Detekce objektů v laserových skenech pomocí konvolučních neuronových sítí

Files

Original bundle

Collections