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 otázku 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 velmi dobře. Otázky u obhajoby: Jak byste využil vámi popisované metody v praxi (v jakých aplikacích)? Testované architektury jsou z původních článků, nebo jste je upravoval? Měl jste k dispozici implementace uvedených sítí? Musel jste některé sítě i implementovat a trénovat? Jsou Vaše výsledky lepší než v původních článcích?	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	Jelínek, Zdeněk	cs
dc.contributor.referee	Juránek, Roman	cs
dc.date.accessioned	2020-07-14T09:01:42Z
dc.date.available	2020-07-14T09:01:42Z
dc.date.created	2020	cs
dc.description.abstract	Hlavním cílem této práce bylo porovnání různých moderních přístupů k počítání vozidel pomocí odhadu hustoty. Celkem byly porovnány čtyři modely konvolučních neuronových sítí - Counting CNN, Hydra CNN, Perspective-Aware CNN a Multi-column CNN. Vyhodnocení natrénovaných modelů bylo provedeno na třech různých datasetech. Nejpřesnějších výsledků na všech datasetech dosáhl model Perspective-Aware CNN. Na datasetu PUCPR+ dosáhl hodnoty Mean Absolute Error 2,86, čímž prokázal, že jeho použití u problému počítání vozidel je vhodné.	cs
dc.description.abstract	The main goal of this thesis was to compare different approaches to vehicle counting by density estimation. Four convolutional neural networks were tested - Counting CNN, Hydra CNN, Perspective-Aware CNN and Multi-column CNN. The evaluation of these models was done on three different datasets. The Perspective-aware CNN has achieved the most accurate results across all datasets. This model has reached 2.86 Mean Absolute Error on the PUCPR+ dataset, proving that it is the most suitable for the vehicle counting problem.	en
dc.description.mark	A	cs
dc.identifier.citation	JELÍNEK, Z. Počítání vozidel ve statickém obraze [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2020.	cs
dc.identifier.other	129110	cs
dc.identifier.uri	http://hdl.handle.net/11012/191687
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	konvoluční neuronové sítě	cs
dc.subject	mapa hustoty	cs
dc.subject	odhad hustoty	cs
dc.subject	počítání vozidel	cs
dc.subject	Counting CNN	cs
dc.subject	Hydra CNN	cs
dc.subject	Perspective-Aware CNN	cs
dc.subject	Multi-column CNN	cs
dc.subject	convolutional neural networks	en
dc.subject	density map	en
dc.subject	density estimation	en
dc.subject	vehicle counting	en
dc.subject	Counting CNN	en
dc.subject	Hydra CNN	en
dc.subject	Perspective-Aware CNN	en
dc.subject	Multi-column CNN	en
dc.title	Počítání vozidel ve statickém obraze	cs
dc.title.alternative	Vehicle Counting in Still Image	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	129110	en
sync.item.dbtype	ZP	en
sync.item.insts	2021.11.12 22:59:19	en
sync.item.modts	2021.11.12 22:16:55	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

Počítání vozidel ve statickém obraze

Files

Original bundle

Collections