Full metadata record
DC pole | Hodnota | Jazyk |
---|---|---|
dc.contributor.advisor | Gruber Ivan, Ing. Ph.D. | |
dc.contributor.author | Klečka, Adam | |
dc.contributor.referee | Jiřík Miroslav, Ing. Ph.D. | |
dc.date.accepted | 2020-8-27 | |
dc.date.accessioned | 2020-11-10T00:39:35Z | - |
dc.date.available | 2019-10-15 | |
dc.date.available | 2020-11-10T00:39:35Z | - |
dc.date.issued | 2020 | |
dc.date.submitted | 2020-8-10 | |
dc.identifier | 82850 | |
dc.identifier.uri | http://hdl.handle.net/11025/41868 | |
dc.description.abstract | Bakalářská práce se zabývá strojovou detekcí lidí. Jsou zde podrobně probírány 2 způsoby detekčních systému. Systém s posuvným okénkem, který počítá HOG příznaky a za pomoci klasifikačního algoritmu detekuje objekty. Další systém funguje na principu predikování objektů s pomocí konvolučních neuronový sítí na základě SSD512 architektury. Oba způsoby byly testovány na Caltech a mém vlastním datasetu. | cs |
dc.format | 46 s. | cs |
dc.format.mimetype | application/pdf | |
dc.language.iso | cs | cs |
dc.publisher | Západočeská univerzita v Plzni | cs |
dc.rights | Plný text práce je přístupný bez omezení. | cs |
dc.subject | strojové učení | cs |
dc.subject | strojové vidění | cs |
dc.subject | detekování objektů histogram of oriented gradients | cs |
dc.subject | neuronová konvoluční síť | cs |
dc.subject | single shot multibox detector | cs |
dc.title | Automatická detekce osob z vizuálních dat | cs |
dc.title.alternative | Automatic person detection from visual data | en |
dc.type | bakalářská práce | cs |
dc.thesis.degree-name | Bc. | cs |
dc.thesis.degree-level | Bakalářský | cs |
dc.thesis.degree-grantor | Západočeská univerzita v Plzni. Fakulta aplikovaných věd | cs |
dc.thesis.degree-program | Inženýrská informatika | cs |
dc.description.result | Obhájeno | cs |
dc.rights.access | openAccess | en |
dc.description.abstract-translated | This work deals with Automatic person detection. There are two approaches to person detection that are studied theoretically and practically tested in the work. The first approach is based on the small window that slides across an input image and computes HOG features. Based on these features, the SVM classifier is trained. The second approach is based on convolutional neural network SSD512. Both approaches were tested on the Caltech dataset and on my own dataset. | en |
dc.subject.translated | machine learning | en |
dc.subject.translated | computer vision | en |
dc.subject.translated | object detection | en |
dc.subject.translated | histogram of oriented gradients | en |
dc.subject.translated | convolutional neural network | en |
dc.subject.translated | single shot multibox detector | en |
Vyskytuje se v kolekcích: | Bakalářské práce / Bachelor´s works (KKY) |
Soubory připojené k záznamu:
Soubor | Popis | Velikost | Formát | |
---|---|---|---|---|
bk_Klecka.pdf | Plný text práce | 5,78 MB | Adobe PDF | Zobrazit/otevřít |
klecka-p.pdf | Průběh obhajoby práce | 411,57 kB | Adobe PDF | Zobrazit/otevřít |
klecka-v.pdf | Posudek vedoucího práce | 721,55 kB | Adobe PDF | Zobrazit/otevřít |
klecka-o.pdf | Posudek oponenta práce | 808,35 kB | Adobe PDF | Zobrazit/otevřít |
Použijte tento identifikátor k citaci nebo jako odkaz na tento záznam:
http://hdl.handle.net/11025/41868
Všechny záznamy v DSpace jsou chráněny autorskými právy, všechna práva vyhrazena.