Přednášky:
1. Základní pojmy z oblasti detekce objektů v obrazech, metoda posuvného okna.
2. Detekce objektů pomocí příznaků typu Haar (Viola-Jones detektor).
3. Lokální binární vzory a jejich využití pro detekci objektů.
4. Metody detekce chodců a automobilů v obrazech, histogramy orientovaných gradientů.
5. Analýza jízdních pruhů pomocí obrazů.
6. Konvoluční neuronové sítě.
7. Obrazové deskriptory, detektory zájmových bodů v obrazech (metody SIFT, SURF).
8. Klasifikátory AdaBoost a Support Vector Machines a jejich využití pro rozpoznávání objektů v obraze.
9. Metody pro detekci a rozpoznání dopravních značek a semaforů
10. Detekce objektů v IR obrazech. Úprava obrazu a jeho následné zpracování.
11. Analýza hloubkových obrazů, využití 3D senzorů (RealSense, Kinect).
12. Zpracování LIDARových obrazů a obrazů pořízených za pomocí sférické kamery.
13. Spojení dílčích detektorů do jednoho celku pro samo-řiditelné vozidlo.
14. Rezerva.
Cvičení:
1. Vytvoření základní kostry detektoru pro zvolený zájmový objekt.
2. Implementace metody posuvného okna.
3. Příprava dat pro trénovací a testovací fázi detektoru.
4. Detekce založená na příznacích typu Haar.
5. Detekce pomocí lokálních binárních vzorů.
6. Detekce pomocí histogramů orientovaných gradientů.
7. Detekce objektů pomocí konvolučních neuronových sítí.
8. Práce s metodou Support Vector Machine a s metodou AdaBoost.
9. Detekce objektů v IR obrazech. Úprava obrazu a jeho následné zpracování.
10. Segmentace a detekce objektů v hloubkových obrazech, využití 3D senzorů (RealSense, Kinect).
11. Analýza objektů v obrazech pořízených pomocí sférické kamery a LIDAR senzoru.
12. Spojení dílčích detektorů do jednoho celku pro samo-řiditelné vozidlo.
13. Rezerva.
14. Zápočet.
1. Základní pojmy z oblasti detekce objektů v obrazech, metoda posuvného okna.
2. Detekce objektů pomocí příznaků typu Haar (Viola-Jones detektor).
3. Lokální binární vzory a jejich využití pro detekci objektů.
4. Metody detekce chodců a automobilů v obrazech, histogramy orientovaných gradientů.
5. Analýza jízdních pruhů pomocí obrazů.
6. Konvoluční neuronové sítě.
7. Obrazové deskriptory, detektory zájmových bodů v obrazech (metody SIFT, SURF).
8. Klasifikátory AdaBoost a Support Vector Machines a jejich využití pro rozpoznávání objektů v obraze.
9. Metody pro detekci a rozpoznání dopravních značek a semaforů
10. Detekce objektů v IR obrazech. Úprava obrazu a jeho následné zpracování.
11. Analýza hloubkových obrazů, využití 3D senzorů (RealSense, Kinect).
12. Zpracování LIDARových obrazů a obrazů pořízených za pomocí sférické kamery.
13. Spojení dílčích detektorů do jednoho celku pro samo-řiditelné vozidlo.
14. Rezerva.
Cvičení:
1. Vytvoření základní kostry detektoru pro zvolený zájmový objekt.
2. Implementace metody posuvného okna.
3. Příprava dat pro trénovací a testovací fázi detektoru.
4. Detekce založená na příznacích typu Haar.
5. Detekce pomocí lokálních binárních vzorů.
6. Detekce pomocí histogramů orientovaných gradientů.
7. Detekce objektů pomocí konvolučních neuronových sítí.
8. Práce s metodou Support Vector Machine a s metodou AdaBoost.
9. Detekce objektů v IR obrazech. Úprava obrazu a jeho následné zpracování.
10. Segmentace a detekce objektů v hloubkových obrazech, využití 3D senzorů (RealSense, Kinect).
11. Analýza objektů v obrazech pořízených pomocí sférické kamery a LIDAR senzoru.
12. Spojení dílčích detektorů do jednoho celku pro samo-řiditelné vozidlo.
13. Rezerva.
14. Zápočet.