Přednášky:
* Základní pojmy z oblasti detekce objektů v obrazech, metoda posuvného okna.
* Metody detekce tváří v obrazech. Příznaky typu Haar. Lokální binární vzory, histogramy orientovaných gradientů a jejich využití pro analýzu objektů. Metody detekce chodců v obrazech.
* Konvoluční neuronové sítě (základní principy, popis vrstev). Moderní varianty konvolučních neuronových sítí (například VGGNet, GoogLeNet, ResNet).
* Lokalizační metody založené na konvolučních sítí (například R-CNN, Faster R-CNN, YOLO, SSD).
* Popis generativních sítí (DCGAN), sítě typu encoder-decoder, sítě typu transformer.
* Obrazové deskriptory, detektory zájmových bodů v obrazech (metoda SIFT).
* Optické systémy v oblasti samořiditelných vozidel, zpracování obrazů v IR spektru, zpracování lidarových obrazů, analýza hloubkových obrazů, využití hloubkových senzorů (RealSense, Kinect).
Cvičení (PC učebna):
* Vytvoření základní kostry detektoru pro zvolený zájmový objekt, implementace metody posuvného okna, příprava dat pro trénovací a testovací fázi detektoru.
* Detekce založená na příznacích typu Haar, detekce pomocí lokálních binárních vzorů, analýza objektů pomocí gradientů (metoda HOG), využití obrazových deskriptorů (metoda SIFT).
* Základní použití konvolučních neuronových sítí, experimentování s parametry konvolučních sítí.
* Využití různých typů konvolučních sítí v rozpoznání (například VGGNet, GoogLeNet, ResNet), experimentování s vytvořenými detektory, porovnání detektorů.
* Praktické využití lokalizačních metod založených na konvolučních sítí (například R-CNN, Faster R-CNN, YOLO).
* Praktické využití generativních sítí (DCGAN), sítě typu encoder-decoder, sítě typu transformer.
* Analýza objektů v IR a v hloubkových obrazech (RealSense, Kinect).
* Základní pojmy z oblasti detekce objektů v obrazech, metoda posuvného okna.
* Metody detekce tváří v obrazech. Příznaky typu Haar. Lokální binární vzory, histogramy orientovaných gradientů a jejich využití pro analýzu objektů. Metody detekce chodců v obrazech.
* Konvoluční neuronové sítě (základní principy, popis vrstev). Moderní varianty konvolučních neuronových sítí (například VGGNet, GoogLeNet, ResNet).
* Lokalizační metody založené na konvolučních sítí (například R-CNN, Faster R-CNN, YOLO, SSD).
* Popis generativních sítí (DCGAN), sítě typu encoder-decoder, sítě typu transformer.
* Obrazové deskriptory, detektory zájmových bodů v obrazech (metoda SIFT).
* Optické systémy v oblasti samořiditelných vozidel, zpracování obrazů v IR spektru, zpracování lidarových obrazů, analýza hloubkových obrazů, využití hloubkových senzorů (RealSense, Kinect).
Cvičení (PC učebna):
* Vytvoření základní kostry detektoru pro zvolený zájmový objekt, implementace metody posuvného okna, příprava dat pro trénovací a testovací fázi detektoru.
* Detekce založená na příznacích typu Haar, detekce pomocí lokálních binárních vzorů, analýza objektů pomocí gradientů (metoda HOG), využití obrazových deskriptorů (metoda SIFT).
* Základní použití konvolučních neuronových sítí, experimentování s parametry konvolučních sítí.
* Využití různých typů konvolučních sítí v rozpoznání (například VGGNet, GoogLeNet, ResNet), experimentování s vytvořenými detektory, porovnání detektorů.
* Praktické využití lokalizačních metod založených na konvolučních sítí (například R-CNN, Faster R-CNN, YOLO).
* Praktické využití generativních sítí (DCGAN), sítě typu encoder-decoder, sítě typu transformer.
* Analýza objektů v IR a v hloubkových obrazech (RealSense, Kinect).