Přednášky:
- Základní pojmy detekce objektů v obrazech; příznaky typu Haar (AdaBoost, Viola-Jones); lokální binární vzory (LBP); histogramy orientovaných gradientů (HOG). Detekce chodců a tváří v obrazech. Detektory a deskriptory zájmových bodů (například SIFT, SURF).
- Konvoluční neuronové sítě (základní principy, popis vrstev). Moderní varianty konvolučních neuronových sítí (například GoogLeNet, ResNet, EfficientNet).
- Lokalizační metody založené na konvolučních sítích (například R-CNN, Faster R-CNN, YOLO, SSD).
- Popis generativních sítí (sítě typu DCGAN, Diffusion-GAN).
- Sítě typu transformer (zejména vision transformer - ViT) a jejich využití v analýze obrazu.
- Konvoluční neuronové sítě pro segmentaci obrazu (sítě typu encoder-decoder, U-Net).
- Určování polohy člověka pomocí hlubokého učení.
- Optické systémy v oblasti samořiditelných vozidel, zpracování obrazů v IR spektru, zpracování LiDARových dat, analýza hloubkových obrazů, využití hloubkových senzorů (například 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.
- Analýza objektů pomocí příznaků typu Haar, lokálních binárních vzorů (LBP) a histogramů orientovaných gradientů (HOG).
- Základní použití konvolučních neuronových sítí, experimentování s parametry konvolučních sítí.
- Využití různých typů konvolučních sítí v rozpoznávání (například GoogLeNet, ResNet, EfficientNet), experimentování s vytvořenými modely, porovnání modelů.
- Praktické využití lokalizačních metod založených na konvolučních sítích (například R-CNN, Faster R-CNN, YOLO).
- Praktické využití generativních sítí pro rozšíření datových sad (DCGAN, Diffusion-GAN).
- Experimenty se segmentací obrazu pomocí sítí typu encoder-decoder (U-Net).
- Využití sítí typu transformer pro analýzu objektů v obrazech.
- Analýza objektů v IR a v hloubkových obrazech (RealSense, Kinect).
- Základní pojmy detekce objektů v obrazech; příznaky typu Haar (AdaBoost, Viola-Jones); lokální binární vzory (LBP); histogramy orientovaných gradientů (HOG). Detekce chodců a tváří v obrazech. Detektory a deskriptory zájmových bodů (například SIFT, SURF).
- Konvoluční neuronové sítě (základní principy, popis vrstev). Moderní varianty konvolučních neuronových sítí (například GoogLeNet, ResNet, EfficientNet).
- Lokalizační metody založené na konvolučních sítích (například R-CNN, Faster R-CNN, YOLO, SSD).
- Popis generativních sítí (sítě typu DCGAN, Diffusion-GAN).
- Sítě typu transformer (zejména vision transformer - ViT) a jejich využití v analýze obrazu.
- Konvoluční neuronové sítě pro segmentaci obrazu (sítě typu encoder-decoder, U-Net).
- Určování polohy člověka pomocí hlubokého učení.
- Optické systémy v oblasti samořiditelných vozidel, zpracování obrazů v IR spektru, zpracování LiDARových dat, analýza hloubkových obrazů, využití hloubkových senzorů (například 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.
- Analýza objektů pomocí příznaků typu Haar, lokálních binárních vzorů (LBP) a histogramů orientovaných gradientů (HOG).
- Základní použití konvolučních neuronových sítí, experimentování s parametry konvolučních sítí.
- Využití různých typů konvolučních sítí v rozpoznávání (například GoogLeNet, ResNet, EfficientNet), experimentování s vytvořenými modely, porovnání modelů.
- Praktické využití lokalizačních metod založených na konvolučních sítích (například R-CNN, Faster R-CNN, YOLO).
- Praktické využití generativních sítí pro rozšíření datových sad (DCGAN, Diffusion-GAN).
- Experimenty se segmentací obrazu pomocí sítí typu encoder-decoder (U-Net).
- Využití sítí typu transformer pro analýzu objektů v obrazech.
- Analýza objektů v IR a v hloubkových obrazech (RealSense, Kinect).