| Title: | Odhad pózy zvířat pomocí metod hlubokého učení |
| Other Titles: | Animal pose estimation using methods of deep learning |
| Authors: | Majer, Tomáš |
| Advisor: | Hrúz Marek, Ing. Ph.D. |
| Referee: | Kanis Jakub, Ing. Ph.D. |
| Issue Date: | 2023 |
| Publisher: | Západočeská univerzita v Plzni |
| Document type: | diplomová práce |
| URI: | http://hdl.handle.net/11025/55126 |
| Keywords: | estimace pózy zvířat;2d estimace pózy;estimace pózy nerigidních objektů;estimace pózy rysa;hrnet;resnet;augmentace obrázků;lynx-pose dataset;dataset pro estimaci pózy zvířat |
| Keywords in different language: | animal pose estimation;2d pose estimation;non-rigid object pose estimation;lynx pose estimation;hrnet;resnet;image augmentation;lynx-pose dataset;animal pose estimation dataset |
| Abstract: | Cílem práce je studium, použití a vyhodnocení metod řešení úlohy estimace pózy zvířat. Tyto metody jsou použity na novém Lynx-Pose datasetu, který je v práci představen. Práce sestává z úvodu do teoretického základu estimace pózy a použití metod odhadu pózy k vyřešení predikce pózy rysa ostrovida. V práci jsou představeny hluboké neuronové sítě a metody vyhodnocení pro estimaci pózy spolu s dostupnými datasety pro estimaci pózy zvířat. Experimenty sestávají z natrénování modelů HRNet-W32, ResNet-50 a ResNet-152 pro estimaci pózy rysů a z použití technik augmentace obrazů k dosažení lepších predikcí pózy. Výsledky jsou vyhodnoceny za použití mean average precision a procenta správných predikcí a vykresleny na obrázcích z Lynx-Pose datasetu. |
| Abstract in different language: | The goal of the thesis is to study, use and evaluate the animal pose estimation methods. These methods are to be used on the novel Lynx-Pose dataset introduced in the thesis. The thesis consists of an introduction to the animal pose estimation theoretical basis and the use of the pose estimation methods to predict the Eurasian lynx pose. Deep neural networks and evaluation metrics for pose estimation are introduced as well as the available animal pose estimation datasets. The experiments consist of training the HRNet-W32, ResNet-50, and ResNet-152 models for lynx pose estimation and using image augmentation techniques to achieve better performance. The results are evaluated using the mean average precision and the percentage of correct predictions and also visualized on images from the Lynx-Pose dataset. |
| Rights: | Plný text práce je přístupný bez omezení |
| Appears in Collections: | Diplomové práce / Theses (KKY) |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| DP_MajerT.pdf | Plný text práce | 48,73 MB | Adobe PDF | View/Open |
| PosudekOponentaSTAG.pdf | Posudek oponenta práce | 64,04 kB | Adobe PDF | View/Open |
| PosudekVedoucihoSTAG.pdf | Posudek vedoucího práce | 57,67 kB | Adobe PDF | View/Open |
| Prubeh obhajoby Majer Tomas.pdf | Průběh obhajoby práce | 80,38 kB | Adobe PDF | View/Open |
Please use this identifier to cite or link to this item:
http://hdl.handle.net/11025/55126Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.