Search

Cílem této práce je navrhnout a vyvinout službu běžící ve veřejném cloudu, která využívá služeb strojového učení pro vizuální kontrolu počtu volných parkovacích míst. V rámci tohoto zadání byly navrženy dvě architektury a různým podílem služeb běžících na cloudu a jedna z nich byla implementována. Zároveň vznikla uživatelská webová aplikace pro komunikaci se službou., The aim of this thesis is to design and develop cloud app service using public cloud services and computer vision to asses number of free parking spots at parking lot. I designed two possible architectures (using different potion of cloud services to run) and one of these was implemented. I also developed a web-app to handle user-interaction with the service.

Tato práce se zabývá problematikou analýzy scény pomocí metod počítačového vidění. Cílem této práce je vytvořit systém schopný automaticky detekovat anomálie nacházející se ve video záznamech. Práce se zabývá systémy pro detekci a sledování objektů v obraze, tvorbou grafického uživatelského rozhraní a algoritmem pro detekci porušení uživatelem definovaných pravidel. Výsledkem práce je webová aplikace, která uživateli umožňuje správu videozáznamů, definování pravidel pro scénu, zahájení detekce anomálií a zobrazení výsledků analýzy. Systém pracuje v reálném čase, upozorňuje uživatele o dokončení operace a uchovává výsledky analýzy pro další zpracovaní., This thesis deals with the issue of scene analysis using computer vision methods. The aim of this work is to create a system capable of automatically detecting anomalies found in video recordings. The present thesis discusses object-detection and object-tracking systems. It also pursues graphical user interface and violation-detecting algorithm of user-defined rules. As a result of the present thesis, a web application is created that allows users to manage their videos, to define rules for scenes, to start the anomaly detection as well as display the results of the analysis. The system operates in real-time, notifies users when the operation is finished and stores the analysis results for further processing.

Tato bakalářská práce je zaměřena na detekci vozidel v obraze. V práci je rozebrána metoda detekce vozidel pomocí konvolučních neuronových sítí, jejich struktury a modely. Všechny skripty byly realizovány v programovacím jazyce Python s rozhraním Tensorflow Object Detection API. První část bakalářské práce jsem věnoval strukturám populárních neuronových sítí a modelům detekčních neuronových sítí. Další kapitola se zabývá nejznámějšími frameworky, které se používají pro strojové učení. Byly vybrány tři modely neuronové sítě, jež byly natrénovány na datasetu COD20K. Výsledkem jsou statistické údaje, které pojednávají o efektivitě a výkonu jednotlivých modelů na natrénovaném datasetu a porovnání výkonu bez zobrazení videa na zařízeních Nvidia RTX 2060, kdy výkon dosažený sítí SDD MobileNet V2 byl 300FPS a Nvidia Tegra TX2 8GB, jehož výkon dosahoval téměř 44FPS., This bachelor thesis is focused on vehicle detection. The thesis deals with the method of vehicle detection using convolutional neural networks, their structures and models. All scripts were implemented using python programming language with Tensorflow Object Detection API interface. The first part of this thesis was devote to the structures of popular neural networks and models of detection neural networks. The next chapter deals with the most famous frameworks that are used for machine learning. Three neural network models were selected and trained on the COD20K dataset. The result of this thesis is statistics that discuss the efficiency and performance of each model on trained dataset and compare performance without displaying video on Nvidia RTX 2060, where the performace archieved by SSD MobileNet V2 network was 300FPS and Nvidia Tegra TX2 8GB, whose performace reached almost 44FPS.

Cílem této práce je navrhnout a vyvinout službu běžící ve veřejném cloudu, která využívá služeb strojového učení pro vizuální kontrolu počtu volných parkovacích míst. V rámci tohoto zadání byly navrženy dvě architektury a různým podílem služeb běžících na cloudu a jedna z nich byla implementována. Zároveň vznikla uživatelská webová aplikace pro komunikaci se službou., The aim of this thesis is to design and develop cloud app service using public cloud services and computer vision to asses number of free parking spots at parking lot. I designed two possible architectures (using different potion of cloud services to run) and one of these was implemented. I also developed a web-app to handle user-interaction with the service.

Hlavním cílem této práce je vytvořit aplikaci pro náhlavní soupravu Oculus Quest, která podporuje virtuální realitu. Aplikace má několik funkcí, které umožňují uživateli dělat více než se pouze procházet po areálu VUT FIT, a těmi jsou: navigace, okamžitý přenos a prohlížení základních informacích o místnostech. Navigace je použita k nalezení nejkratší cesty ke kanceláři či přednáškové místnosti. Ke každé místnosti jsou poskytnuty základní informace popisující využití místnosti/kanceláře. Další funkcí je okamžitý přenos, který slouží ke zvolení bodu ze kterého uživatel započne prohlídku., The main goal of this work is to make an application for VR headset Oculus Quest. This application has several features that allow the user to do more than just walk freely around the FIT BUT areal, such as Navigation, Instant travel, and viewing basic room information. The Navigation feature is used to find the shortest route to the desired office or lecture room, where every room has its panel with information about the room. The instant travel feature allowes choosing a starting location.

Cílem této práce je vytvoření modelu neuronové sítě pro holistické rozpoznávání registračních značek se zaměřením na přesnost a zkrácení doby trénovacího procesu. Model byl implementován, jako spojení konvoluční neuronové sítě pro extrakci hlubokých rysů obrázku značky a Bidirectional LSTM s CTC. Natrénovaný model byl porovnán s jinou implementací, využívající holistického přístupu, která byla natrénována na stejném datasetu. Vlastní návrh sítě dosáhl lepších výsledků při rozpoznávání na datové sadě, odlišné od trénovací, s chybovostí 8,3 %., The goal of this work is to create a model of neural network for holistic recognition of license plates, focused on accuracy and shortening of the learning process. The model was implemented as a union of convolutional neural network for extraction of deep features of a plate and Bidirectional LSTM with CTC. The trained model was compared to another implementation using a holistic approach, that was trained on the same dataset. My design of the network achieved better results in recognition on a dataset, which is different from the training one, with an error rate of 8.3 %.

Cílem této bakalářské práce je vytvoření mobilní aplikace, jež má sloužit uživateli jako pomocný nástroj při obchodování s kryptoměnami. Aplikace tedy cílí na uživatele, kteří se zapojují do zmíněných obchodů. Uživatel má možnost evidovat své transakce typu nákup, prodej nebo směna. Aplikace pracuje se základními informacemi jako je množství, cena a název kryptoměny a datum pořízení. Na základě těchto informací provede patřičné výpočty pro správné uspořádání dle FIFO fronty. Transakce mohou být nadále upravovány. Získané informace jsou následně zpracovány. Uživatel má možnost vygenerovat PDF soubor, který slouží jako přehled jeho obchodování za zvolené daňové období. Rovněž si může zobrazit přehled vlastněných, respektive evidovaných, kryptoměn. Vzhled aplikace byl konzultován a upravován s potenciálními uživateli s cílem dosažení maximálního uživatelského prožitku a jednoduché orientace. Některé postřehy slouží jako možnosti dalšího vývoje aplikace., The main goal of this bachelor thesis is to create a mobile application which would serve as auxiliary tool in cryptocurrency trading. The application is therefore targeting group of people already engaged in this market. The user can store and keep track of information about his transactions, such as purchase, sale and exchange. The application works with basic information, such as quantity, price, cryptocurrency name and date of proceeding. Based on the information it makes necessary calculations for correct organization in FIFO queue. Transactions can be further modified. Newly gained information are then processed. The user has option to generate PDF file, including all the information about own transactions in selected tax period. Also the overview of the currently registered cryptocurrencies can be displayed in the application. The design and entire looks of the application was consulted with potential users with its aim for maximizing user experience and also simplify orientation. Some observations serve as opportunities for further development.

Úkolem této práce je porovnání modelů konvolučních neuronových sítí určených k počítání vozidel ve statickém obraze pomocí odhadu hustoty se zaměřením na rozdílné velikosti objektů ve scéně. Celkem byly vyhodnoceny čtyři modely - Scale Pyramid Network, Scale-adaptive CNN, Multi-scale fusion network a CASA-Crowd. Vyhodnocení proběhlo na třech datových sadách - TRANCOS, CARPK, PUCPR+. Nejlepších výsledků dosáhl model Scale Pyramid Network. Na datové sadě TRANCOS dosáhl v metrice Mean Absolute Error hodnoty 5,44 a v metrice GAME(3) hodnoty 9,95., The goal of this work is to compare models of convolutional neural networks designed to count vehicles in a static image using density estimation with a focus on different sizes of objects in the scene. A total of four models were evaluated - Scale Pyramid Network, Scale-adaptive CNN, Multi-scale fusion network and CASA-Crowd. The evaluation was done on three data sets - TRANCOS, CARPK, PUCPR+. Scale Pyramid Network achieved the best results. The model reached 5.44 in the Mean Absolute Error metric and 9.95 in the GAME(3) metric on TRANCOS dataset.

Tato práce se zabývá návrhem a implementací hry pro virtuální realitu pro více hráčů. Konkrétně se jedná o sérii zábavných miniher, ve kterých mezi sebou hráči soutěží. Výsledkem práce je klientská aplikace s dvěmi implementovanými minihrami pro zařízení Oculus Quest a Quest 2 a serverová aplikace. Shooting Range je minihra pro soutěž ve střelbě. Towers je minihra, ve které si hráči vzájemně ničí své pevnosti. Minihry otestovali uživatelé. Pro implementaci klientské aplikace byl použit herní engine Unity. K implementaci virtuální reality slouží knihovna XR Interaction Toolkit. Síťovou komunikaci na straně klienta realizuje Photon PUN. Implementace serverové části zajišťuje Photon Server SDK., This thesis deals with the design and implementation of a multiplayer virtual reality game. Specifically, it is a series of fun mini-games in which players compete against each other. The result of the work is a client application with two implemented minigames for Oculus Quest and Quest 2 devices and a server application. Shooting Range is a minigame for shooting competition. Towers is a minigame in which players destroy each other's forts. The minigames have been tested by users. The Unity game engine was used to implement the client application. The XR Interaction Toolkit library was used to implement the virtual reality. The network communication on the client side is implemented by Photon PUN. The server side implementation is provided by Photon Server SDK.

Cílem této bakalářské práce je vytvoření mobilní aplikace, jež má sloužit uživateli jako pomocný nástroj při obchodování s kryptoměnami. Aplikace tedy cílí na uživatele, kteří se zapojují do zmíněných obchodů. Uživatel má možnost evidovat své transakce typu nákup, prodej nebo směna. Aplikace pracuje se základními informacemi jako je množství, cena a název kryptoměny a datum pořízení. Na základě těchto informací provede patřičné výpočty pro správné uspořádání dle FIFO fronty. Transakce mohou být nadále upravovány. Získané informace jsou následně zpracovány. Uživatel má možnost vygenerovat PDF soubor, který slouží jako přehled jeho obchodování za zvolené daňové období. Rovněž si může zobrazit přehled vlastněných, respektive evidovaných, kryptoměn. Vzhled aplikace byl konzultován a upravován s potenciálními uživateli s cílem dosažení maximálního uživatelského prožitku a jednoduché orientace. Některé postřehy slouží jako možnosti dalšího vývoje aplikace., The main goal of this bachelor thesis is to create a mobile application which would serve as auxiliary tool in cryptocurrency trading. The application is therefore targeting group of people already engaged in this market. The user can store and keep track of information about his transactions, such as purchase, sale and exchange. The application works with basic information, such as quantity, price, cryptocurrency name and date of proceeding. Based on the information it makes necessary calculations for correct organization in FIFO queue. Transactions can be further modified. Newly gained information are then processed. The user has option to generate PDF file, including all the information about own transactions in selected tax period. Also the overview of the currently registered cryptocurrencies can be displayed in the application. The design and entire looks of the application was consulted with potential users with its aim for maximizing user experience and also simplify orientation. Some observations serve as opportunities for further development.

Cílem této práce je vytvoření modelu neuronové sítě pro holistické rozpoznávání registračních značek se zaměřením na přesnost a zkrácení doby trénovacího procesu. Model byl implementován, jako spojení konvoluční neuronové sítě pro extrakci hlubokých rysů obrázku značky a Bidirectional LSTM s CTC. Natrénovaný model byl porovnán s jinou implementací, využívající holistického přístupu, která byla natrénována na stejném datasetu. Vlastní návrh sítě dosáhl lepších výsledků při rozpoznávání na datové sadě, odlišné od trénovací, s chybovostí 8,3 %., The goal of this work is to create a model of neural network for holistic recognition of license plates, focused on accuracy and shortening of the learning process. The model was implemented as a union of convolutional neural network for extraction of deep features of a plate and Bidirectional LSTM with CTC. The trained model was compared to another implementation using a holistic approach, that was trained on the same dataset. My design of the network achieved better results in recognition on a dataset, which is different from the training one, with an error rate of 8.3 %.

Úkolem této práce je porovnání modelů konvolučních neuronových sítí určených k počítání vozidel ve statickém obraze pomocí odhadu hustoty se zaměřením na rozdílné velikosti objektů ve scéně. Celkem byly vyhodnoceny čtyři modely - Scale Pyramid Network, Scale-adaptive CNN, Multi-scale fusion network a CASA-Crowd. Vyhodnocení proběhlo na třech datových sadách - TRANCOS, CARPK, PUCPR+. Nejlepších výsledků dosáhl model Scale Pyramid Network. Na datové sadě TRANCOS dosáhl v metrice Mean Absolute Error hodnoty 5,44 a v metrice GAME(3) hodnoty 9,95., The goal of this work is to compare models of convolutional neural networks designed to count vehicles in a static image using density estimation with a focus on different sizes of objects in the scene. A total of four models were evaluated - Scale Pyramid Network, Scale-adaptive CNN, Multi-scale fusion network and CASA-Crowd. The evaluation was done on three data sets - TRANCOS, CARPK, PUCPR+. Scale Pyramid Network achieved the best results. The model reached 5.44 in the Mean Absolute Error metric and 9.95 in the GAME(3) metric on TRANCOS dataset.

Tato práce se zabývá návrhem a implementací hry pro virtuální realitu pro více hráčů. Konkrétně se jedná o sérii zábavných miniher, ve kterých mezi sebou hráči soutěží. Výsledkem práce je klientská aplikace s dvěmi implementovanými minihrami pro zařízení Oculus Quest a Quest 2 a serverová aplikace. Shooting Range je minihra pro soutěž ve střelbě. Towers je minihra, ve které si hráči vzájemně ničí své pevnosti. Minihry otestovali uživatelé. Pro implementaci klientské aplikace byl použit herní engine Unity. K implementaci virtuální reality slouží knihovna XR Interaction Toolkit. Síťovou komunikaci na straně klienta realizuje Photon PUN. Implementace serverové části zajišťuje Photon Server SDK., This thesis deals with the design and implementation of a multiplayer virtual reality game. Specifically, it is a series of fun mini-games in which players compete against each other. The result of the work is a client application with two implemented minigames for Oculus Quest and Quest 2 devices and a server application. Shooting Range is a minigame for shooting competition. Towers is a minigame in which players destroy each other's forts. The minigames have been tested by users. The Unity game engine was used to implement the client application. The XR Interaction Toolkit library was used to implement the virtual reality. The network communication on the client side is implemented by Photon PUN. The server side implementation is provided by Photon Server SDK.

Tato bakalářská práce se zabývá úsekovým měřením rychlosti automobilů. Práce popisuje existující metody detekce registračních značek a rozpoznání znaků v nich obsažených. Následně jsou popsány metody kaskádového klasifikátoru a klasifikátoru SVM, které jsou v této práci použity. V závěrečné části je zpracované vyhodnocení jednotlivých částí systému., This bachelor thesis focuses on section speed measurement for traffic analysis. This thesis desribes existing methods of detection of license plates and classification of their characters. Methods of cascade classifier and classifier SVM are described in this work. Evaluation of individual parts of the system is processed in the final section.

Tato práce řeší vytváření webové aplikace, která umožňuje jednomu správci snadnou správu jeho úkolů, které zadává svým spolupracovníkům či studentům. V následujícím textu je mimo jiné popsán návrh uživatelského rozhraní i databáze. Zvolený problém jsem vyřešila pomocí PHP frameworku Symfony, několik skriptů je napsáno v Javascriptu, k návrhu vzhledu byl využit CSS framework Bootstrap. Důležitou součástí této práce je uživatelské testování, data byla získávána především přes dotazníky, případně osobní konzultací, a výsledky jsou zde podrobně zpracovány. Po každé fázi testování došlo na základě získaných poznatků k vylepšení stávající verze, odstranění chyb a zpřehlednění uživatelského rozhraní. Hlavním přínosem aplikace je zjednodušení zadávání úkolů pro větší skupiny lidí, využijí ji třeba učitelé nebo vedoucí na táborech. Poskytne zadavateli úkolu rychlý přehled, kdo již dané zadání splnil, kdo ne a zda všichni dodrželi zadaný termín., This work solves the creation of a simple web application that allows one administrator to easily manage his tasks, which he enters to his colleagues or students. The following text describes the design of the user interface and the database. I had solved this problem using the PHP framework Symfony, several scripts are written in Javascript, CSS framework Bootstrap was used to design the website. An important part of this work is user testing, data was obtained mainly through questionnaires, or personal consultation, and the results are in this thesis. After each testing phase, the existing version was improved based on the obtained data, bugs were fixed and the user interface was improved. The main benefit of the application is the simplification of assigning task to larger groups of people, it can be used for example by teachers or camp leaders. It will provide a quick overview of who has already fulfilled the tasks.

Táto diplomová práca sa zaoberá automatickou detekciou a sledovaním futbalovej lopty v zázname športového stretnutia. Na základe predstavených techník zameraných na sledovanie malých objektov vo vysokom rozlíšení sú navrhnuté a implementované efektívne konvolučné neurónové siete, ktoré ďalej využíva upravený sledovací algoritmus SORT pre automatickú detekciu objektov v obraze. Za účelom preskúmania možností spracovania v reálnom čase pri čo najnižšej strate presnosti sledovania sú uskutočnené experimenty so spracovávaním snímok v rôznych rozlíšeniach a s rôznou frekvenciou získavania detekcií. Získané výsledky experimentov sú prezentované a využité pre návrh ďalších rozšírení, ktoré by viedli k zlepšeniu úspešnosti sledovania pri zachovaní dostatočnej rýchlosti spracovania., This master's thesis deals with automatic detection and tracking of a soccer ball in sports videos. Based on the introduced techniques focusing on tracking of small objects in high-resolution videos, effective convolutional neural networks are designed and used by a modified version of tracking algorithm SORT for automatic object detection. A set of experiments with the processing of images in different resolutions and with various frequencies of detection extraction is carried out in order to examine the trade-off between processing speed and tracking accuracy. The obtained results of experiments are presented and used to form proposals for future work, which could lead to improvements in tracking accuracy while maintaining reasonable processing speed.

Tato bakalářská práce popisuje systém pro detekci a vícenásobné sledování vozidel z dohledových kamer s detekcí kolizí. Práce je zaměřena na detekci a predikci kolize vozidel na dálnicích v jednom směru jízdy. Systém není plně automatický, tudíž vyžaduje počáteční nastavení (např. čáry vymezující pruhy na silnici) pro svou správnou funkčnost. Problém je řešen tak, že je nejdříve získána přesná kontura vozidla. Poté je vypočteno těžiště této kontury. Na základě tohoto těžiště je každému vozidlu přidělen jízdní pruh, ve kterém se pohybuje a každé vozidlo je poté sledováno individuálně. Práce dále představuje metodu predikce a detekce kolize. Pro tuto část je vytvořen obdélník kolem přízemní části vozidla. Tento obdélník je poté zvětšen a vyhodnocován proti obdélníkům jiných vozidel. Objekty, jejichž obdélníky se překrývají jsou předmětem dalšího sledování možné kolize. Experimentální výsledky ukazují 72% přesnost konstrukce přízemního obdélníku jakožto základního stavebního kamene v navrženém systému pro detekci kolizí. Výhody systému jsou v jeho možnostech využití v kamerových systémech, které monitorují provoz na dálnicích., This bachelor thesis decribes a system for detection and tracking of multiple vehicles from a surveillance camera with a collision detection. The focus is on detection and prediction of collisions of vehicles in one direction - towards the camera. System is not fully automatic, meaning that some initial settings are needed (e.g. lines on the road) to quarantee a good functionality of the system. Accurate vehicles' contour is obtained in the detection phase, and object centroids are calculated. Each detected vehicle is assigned to the specific lane and tracked separately. This thesis then describes the method of prediction and detection of a collision. A rectangle is created around the ground part of every vehicle. This rectangle of each of the vehicles is enlarged and checked for the overlaps. Those rectangles that overlaps are then subject to further analysis for the collision detection. Experimental results show a success rate of 72 % for the accurate rectangle construction being a crucial part for the collision detection. The advantage of the proposed system is its possible usage in surveillance cameras monitoring the traffic flow on highways.

Cílem této práce je popsat a následně vytvořit aplikaci, ve které může uživatel malovat v 3D prostoru virtuální a rozšířené reality. V první části práce je objasněno řešení nástrojů, které poskytují možnost malování v 3D prostoru. Dále jsou uvedeny prvky a komponenty, díky nimž je možné vytvořit prostředí, ve kterém se uživatel pohybuje. A konečně je popsán způsob, jak jednotlivé části řešení spojit se speciálnímu hardwarem pro virtuální a rozšířenou realitou., The goals of this work are described and create an application in which the user can paint in 3D space of virtual and augmented reality. First, the solution of the elements that provide the possibility of painting is clarified. It also describes the processing of the environment in which the user moves and interaction with the application. Finally, it is described how to combine individual parts of the solution with special hardware for a virtual and augmented reality.

Tato práce se zabývá automatickou detekcí jízdy na červenou ze statické kamery. Teoretická část práce popisuje princip detekce, představuje některé metody zpracování obrazu pro detekci semaforů a automobilů a popisuje metriky pro jejich srovnávání. Práce se rovněž zabývá implementací aplikace pro porovnání úspěšnosti jednotlivých metod., This thesis is focused on automatic detection of red-light violation using static camera. Theoretical part of the thesis describes the principle of detection and introduces various methods of detecting traffic lights and cars as well as their reliability metrics. The thesis also illustrates implementation of the application for evaluation of these methods.

Cílem této bakalářské práce je mobilní aplikace pro systém Android, která odhaduje vzdálenost vozidel z obrazu kamery mobilního telefonu. Odhad rozestupu je vypočítáván na základě znalostí parametrů kamery, fyzické velikosti vozidla a oblasti snímku, reprezentující detekované vozidlo. Vozidla a jejich registrační značky jsou v obraze detekovány pomocí kaskádových klasifikátorů. Registrační značky jsou detekovány pouze v rámci oblasti detekovaného vozila. Pro detekci vozidel pomocí kaskádového klasifikátoru byla v rámci této práce vytvořena trénovací datová sada. Práce je doplněna o funkci sledování změn rozestupu v čase, která při náhlé změně rozestupu upozorní řidiče zvukovým signálem. Samotný text je pak rozdělen do pěti hlavních částí - porovnání existujících řešení odhadu vzdálenosti, Studium a výběr metod pro rozpoznávání objektů v obraze, návrh aplikace, implementace a vyhodnocení obsahující popis vytváření trénovací datové sady, samotné trénování klasifikátoru a vyhodnocení., The aim of this bachelor thesis is to create a mobile application for Android that estimates the distance of vehicles based on vehicle size in the camera image of the mobile phone. The estimation of the following distance is evaluated based on known camera parameters, the average vehicle width and the size of image area that represents detected car. Vehicles and their licences plates are detected in the image using cascade classifiers. Licence plate is detected only in the area of the detected vehicle. A training dataset for cascade classifier was created as part of this work. The cascade classifier is designed for vehicle detection. This work is extended with feature that tracks following distance in time and warns you with an acoustic signal on sudden distances change. This thesis is divided into five main parts - comparison of existing solutions for distance estimation, review of object detection methods, application design, implementation and evaluation of detectors, distance evaluation.

Cílem této práce je porovnat různé přístupy počítačového vidění se záměrem automatické detekce graffiti tagů v obraze. Za tímto účelem byly v řešení použity modely založené na neuronových sítích. V práci byly otestovány jak osvědčené detekční modely, tak i modely experimentální. U nejpřesnějšího z nich (Faster R-CNN) bylo dosaženo přesnosti 83% mAP, což poukázalo na vhodnost těchto modelů při řešení otázky detekce tagů., The aim of this work is to compare different approaches of computer vision with the intention of automatic detection of graffiti tags in the image. The solution was based on models based on neural networks. Both the proven detection models and the experimental models were tested here. The most accurate one (Faster R-CNN) achieved an accuracy of 83% mAP, indicating the suitability of these models to the tag detection problem.

Táto bakalárska práca sa zaoberá návrhom a tvorbou systému pre automatickú kalibráciu dopravnej kamery za účelom merania rýchlosti vozidiel. Práca obsahuje teoretický úvod do problematiky kalibrácie kamery, popisuje princípy metód použitých v implementácií a zobrazuje navrhované riešenie, ktoré bolo implementované v jazyku Python3 s využitím knižníc OpenCV a NumPy. Dosiahnuté výsledky boli vyhodnotené nad datasetom BrnoCompSpeed, pričom priemerná chyba merania rýchlosti dosahuje hodnoty 6,71 km/h., This thesis deals with design and development of a system for Automatic Traffic Camera Calibration for Vehicle Speed Measurement. The thesis contains a theoretical introduction to the camera calibration, describes the principles of the methods used in the implementation and displays the proposed solution that was implemented in Python3 using OpenCV and NumPy libraries. The achieved results were evaluated over the BrnoCompSpeed dataset with the average speed measurement error reaching 6.71 km/h.

Tato práce se zaměřuje na možnost využití současných metod na poli počítačového vidění k re-identifikaci graffiti tagů. V práci je zkoumána možnost využití konvolučních neuronových sítí k re-identifikaci graffiti tagů, které jsou nejrozšířenějším typem graffiti. V rámci práce bylo experimentováno s různými modely konvolučních neuronových sítí z nichž nejvhodnější byl MobileNet s využitím triplet loss funkce, kdy se podařilo dosáhnout mAP 36.02%., This thesis focuses on the possibility of using current methods in the field of computer vision to re-identify graffiti tags. The work examines the possibility of using convolutional neural networks to re-identify graffiti tags, which are the most common type of graffiti. The work experimented with various models of convolutional neural networks, the most suitable of which was MobileNet using the triplet loss function, which managed to achieve a mAP of 36.02%.

Cílem této práce je navrhnout a implementovat systém domácí automatizace zaměřený na propojování jednotlivých zařízení v domácnosti pomocí podmínek a akcí. Například jakmile magnetická závora zaznamená otevření dveří, odešle se příkaz o rozsvícení světel v chodbě, pokud však zároveň nedojde k přečtení povolené karty RFID čtečkou, bude zapnut alarm. Problém je vyřešen pomocí serveru běžícího na mikropočítači Raspberry Pi, který s určitou periodou prochází a kontroluje veškeré podmínky, které uživatel definoval pomocí webového rozhraní a na základě jejich splnění vykonává dané akce. Vytvořené řešení poskytuje možnost, jak jednoduše propojit chytrá zařízení v domácnosti a jak je zautomatizovat. Uživatel sám musí naprogramovat jednotlivé moduly, komplexní podmínky i akce a tato práce mu přináší infrastrukturu ke komunikaci a příklady jakým způsobem tyto moduly navrhnout., This work aims to propose and implement a home automation system based on individual devices' connection using conditions and actions. For example, when a magnetic barrier determines that a door was opened, a command that turns on lights in the hallway is sent. However, if a card reader does not register allowed card, the alarm will be triggered. This problem is solved by a server running on Raspberry Pi, which is periodically checking all conditions that a user has defined via a web page. Based on their fulfillment, it executes predefined action. Created solution provides a way how to connect smart devices in household easily and how to automate them. Users must program each module, complex conditions, and actions by themselves. This work presents an infrastructure for communication and examples on how to create such modules.

Tato práce se zabývá tvorbou webového nástroje pro anotaci obrazových dat. Teoretická část specifikuje aplikaci, její design a funkcionalitu. Praktická část se zabývá implementací webového nástroje pro anotaci obrazových dat jako bod, přímka, obdelník, polygon se zaměřením na modularitu a lehkou rozšířitelnost nástroje pro ruzné typy anotací a dále implementací funkcí pro manipulaci s obrazem a jeho transformaci. Pro praktickou část této práce byla použita knihovna Flask s využitím jazyků Python, HTML, Javascript. Nástroj byl vytvářen a vyvíjen iterativně., This work deals with the creation of web tool for image data annotation. The theoretical part specifies the application, its design and functionality. The practical part deals with the implementation of the web tool for image data annotation such as point, line, rectangle, polygon with focus on modularity and easy extensibility of the tool for various types of annotations and implementation of image manipulation and transformation functions. For practical part of this work was used library Flask using Python, HTML, Javascript. The tool was created and developed iteratively.

Analýza silničního provozu je stále náročnou úlohou. V průběhu této úlohy se vyskytují mnohá úskalí, která je třeba brát na vědomí. Například malé rozlišení obrazu, vysoký počet překrývajících se objektů, úhel kamery, rozmazání objektů v důsledku jejich pohybu nebo povětrnostní podmínky. Tato práce adresuje tato úskalí použitím konvolučních neuronových sítí. V této práci představuji novou architektu založenou na principu počítání regresí (Counting by Regression). Navržená architektura je inspirována některými state-of-the-art architekturami a vylepšuje přesnost na různých datasetech. Například na velmi malém PUCPR+ datasetu byla odmocnina ze střední kvadratické chyby (RMSE) snížena z 34.46 na 6.99 vozidel (měřeno na test setu). Dosažené výsledky ukázaly, že je zde stále prostor ke zlepšení a možný další výzkum v oblasti počítání regresí., Traffic analysis is still a challenging task. During such task there are many pitfalls to be aware of. Such as small image resolution, high number of overlapping objects, angle of camera, blurred objects due to their motion or weather conditions. This thesis addresses these issues by using the convolutional neural network approach. In this thesis I propose a new architecture which adheres to Counting by Regression principle. The proposed architecture is inspired by some state-of-the-art architectures and improves accuracy on various datasets. For instance on the very small PUCPR+ dataset the Root Mean Square Error between expected and predicted vehicle counts was reduced from 34.46 to 6.99 vehicles (measured on the test set). Results achieved showed that there is still space for improvements and a possible further research in Counting by Regression principle.

Práce řeší řízení pracovníků dispečerem. Cílem je zefektivnit a zjednodušit jak práci dispečera, tak i samotné úkony pracovníků. Zaměřil jsem se na rozdělování úkolů, upozornění na události a změny stavů úkolů, a to vše v reálném čase. Zvolená problematika je řešena pomocí webové aplikace na straně dispečera a mobilní aplikace na straně pracovníků. Webová aplikace je tvořená pomocí PHP frameworku Symfony a mobilní aplikace pomocí frameworku Flutter. Základní myšlenka spočívá ve zjednodušení komunikačního procesu. Dispečer může kdykoliv okamžitě zjistit stav úkolů, které přidělil pracovníkům a pracovník je ihned upozorněn na přidělení úkolu, či změnu jeho stavu. Vytvořené řešení značně zpřehledňuje a zjednodušuje práci dispečera. Díky okamžité odezvě, kterou aplikace poskytuje, se také podařilo eliminovat prostoje a zbytečné cesty pracovníků, čímž se celý proces zefektivňuje. V návaznosti na tyto skutečnosti je předpokládáno zmenšení celkových nákladů a zároveň vykonání většího množství práce za stejný časový úsek., This work solves managing employees by a dispatcher. The goal is to increase the efficiency of the work of a dispatcher, as well as a single employee's tasks. I focused on assigning tasks, event notification, and tasks state changes and all that in real-time. The solution consists of a website application that is used by a dispatcher and mobile application for employees. Website application is made in the PHP framework Symfony and the mobile app is made in the Flutter framework. The whole idea is to simplify the communication process. The dispatcher is able to check the state of assigned tasks whenever he needs, as well as the employee is notified about the newly assigned task, or changed task state, immediately. The solution significantly simplified the dispatcher's job. The idle times and unnecessary employee journeys were eliminated thanks to the immediate response, which made the whole process more effective. Following these facts, the overall costs should be lowered, and also more work should be made in the same amount of time.

Cieľom tejto bakalárskej práce je rozpoznať typ vozidla z obrazu pomocou neurónových sietí. Vozidlá sú rozdelené na šesť typov a to konkrétne - osobné auto, malá dodávka, dodávka, nákladné auto, kamión a autobus. Dátová sada bola vlastnoručne zozbieraná z videozáznamov, ktoré zaznamenávajú trajektóriu vozidiel. Následne bol zostrojený anotačný nástroj na anotovanie obrázkov. Na trénovanie sietí boli použité architektúry: VGG16, ResNet50, Xception, InceptionResNet-v2. Výsledkom práce je porovnanie architektúr. Všetky architektúry sa natrénovali a dosiahli výsledok nad 90%., The goal of this bachelor thesis is to recognize the type of vehicle from the image using neural networks. Vehicles are divided into 6 types, namely a car, a small van, a van, a mini truck, a truck and a bus. The data set was picked from videos that record the trajectory of the vehicles. Subsequently, an image annotation tool was built. The following architectures were used for network training: VGG16, ResNet50, Xception, InceptionResNet-v2. The result of the work is a comparison of architectures. All architectures were trained and achieved a result above 90%.

Hlavním cílem této práce bylo porovnání různých moderních přístupů k počítání vozidel pomocí odhadu hustoty. Celkem byly porovnány čtyři modely konvolučních neuronových sítí - Counting CNN, Hydra CNN, Perspective-Aware CNN a Multi-column CNN. Vyhodnocení natrénovaných modelů bylo provedeno na třech různých datasetech. Nejpřesnějších výsledků na všech datasetech dosáhl model Perspective-Aware CNN. Na datasetu PUCPR+ dosáhl hodnoty Mean Absolute Error 2,86, čímž prokázal, že jeho použití u problému počítání vozidel je vhodné., The main goal of this thesis was to compare different approaches to vehicle counting by density estimation. Four convolutional neural networks were tested - Counting CNN, Hydra CNN, Perspective-Aware CNN and Multi-column CNN. The evaluation of these models was done on three different datasets. The Perspective-aware CNN has achieved the most accurate results across all datasets. This model has reached 2.86 Mean Absolute Error on the PUCPR+ dataset, proving that it is the most suitable for the vehicle counting problem.

Tato práce se zabývá problematikou analýzy scény pomocí metod počítačového vidění. Cílem této práce je vytvořit systém schopný automaticky detekovat anomálie nacházející se ve video záznamech. Práce se zabývá systémy pro detekci a sledování objektů v obraze, tvorbou grafického uživatelského rozhraní a algoritmem pro detekci porušení uživatelem definovaných pravidel. Výsledkem práce je webová aplikace, která uživateli umožňuje správu videozáznamů, definování pravidel pro scénu, zahájení detekce anomálií a zobrazení výsledků analýzy. Systém pracuje v reálném čase, upozorňuje uživatele o dokončení operace a uchovává výsledky analýzy pro další zpracovaní., This thesis deals with the issue of scene analysis using computer vision methods. The aim of this work is to create a system capable of automatically detecting anomalies found in video recordings. The present thesis discusses object-detection and object-tracking systems. It also pursues graphical user interface and violation-detecting algorithm of user-defined rules. As a result of the present thesis, a web application is created that allows users to manage their videos, to define rules for scenes, to start the anomaly detection as well as display the results of the analysis. The system operates in real-time, notifies users when the operation is finished and stores the analysis results for further processing.

Tato práce se věnuje problematice klasifikace modelu automobilu z obrazu. Popisuje několik metod, jako konvoluční neuronové sítě, metody omezené na přední/zadní pohled a metody využívající 3D CAD modely. Z těchto přístupů si vybírá konvoluční neuronové sítě, kterým se dále věnuje. Práce obsahuje popis jednotlivých vrstev, ze kterých se taková síť skládá. V praktické části je popsán postup, jakým byl vytvořen klasifikátor, který má přesnost 80,7\,\%. Pro účely ověření funkčnosti byla vytvořena datová sada obsahující 1\,034 fotografií. Práce dále experimentuje s různými architekturami a vyhodnocuje jejich přesnost. Součástí práce je program, který díky detektoru automobilu najde ve videu vozidla a v daném videu je označí čtverečkem a popisem modelem automobilu., This thesis deals with classification of a car model from an image. It describes several methods, such as convolutional neural networks, methods limited to the fron/rear view and methods using 3D CAD models. From these approaches it chooses convolutional neural networks, which it further deals with. The work contains a description of the individual layers of which such a network consists. The practical part describes the procedure by which the classifier, that has an accuracy of 80.7\,\%, was created. A dataset containing 1\,034 photos was created to verify functionality. The work further experiments with different architectures and evaluates their accuracy. The work contains a program which, thanks to the car detector, finds the vehicle in the video and marks it with a square and a description of the car model in the given video.

Cílem této práce je detekce vozidel v obraze z dopravní dohledové kamery a jemná klasifikace jejich typu (výrobce a model). V práci je implementována normalizační metoda Unpack, která slouží pro transformaci obrazu vozidla do jeho zdánlivé rovinné reprezentace, za účelem zvýšení úspěšnosti klasifikátoru. Metoda Unpack využívá pro normalizaci 3D bounding box vozidla, který je v testovací fázi sestaven z informací o kontuře a směru k úběžníkům vozidla. Součástí práce je srovnání přesnosti metody přímé a Unpack klasifikace. Řešení se skládá z více na sebe navazujících částí, které využívají konvolučních neuronových sítí. Tyto části jsou: detekce vozidel v obraze, odhad směru k úběžníkům scény řešený jako klasifikační úloha, detekce kontury vozidel s využitím konvoluční Encoder-Decoder sítě a jemná klasifikace typu vozidel. Pomocí klasifikace s využitím metody Unpack bylo dosaženo zvýšení přesnosti systému o 2% proti přímé klasifikaci, dosahujíc výsledné úspěšnosti 86%. Výsledkem práce je systém jemné klasifikace typu vozidel pracující se záznamem z dohledové kamery bez omezení pozorovacích úhlů., The aim of this thesis is image based detection of vehicles from traffic surveillance camera and fine-grained vehicle type recognition (manufacturer and model). In the thesis the Unpack normalization method is implemented which transforms the vehicle image into its apparent flat representation in order to increase the classifier's success rate. The Unpack method make use of 3D bounding box of the vehicle. This bounding box is constructed during test period using the information of vehicle contour and direction toward vanishing points. The thesis involve accuracy comparison between direct and Unpack classification methods. The proposed solution is based on several related parts that benefit from convolutional neural networks. These parts are: vehicle detection from image data, estimation of the directions towards vanishing points solved as classification task, vehicle contour detection using convolutional Encoder-Decoder network and fine-grained vehicle type classification. Using Unpack based classification the 2% accuracy improvement against direct classification has been achieved, resulting in 86% overall success rate. The outcome of this thesis is fine-grained vehicle classification system that works with traffic surveillance video without any viewpoint limitations.

Tato práce se zaměřuje na možnost využití současných metod na poli počítačového vidění k re-identifikaci graffiti tagů. V práci je zkoumána možnost využití konvolučních neuronových sítí k re-identifikaci graffiti tagů, které jsou nejrozšířenějším typem graffiti. V rámci práce bylo experimentováno s různými modely konvolučních neuronových sítí z nichž nejvhodnější byl MobileNet s využitím triplet loss funkce, kdy se podařilo dosáhnout mAP 36.02%., This thesis focuses on the possibility of using current methods in the field of computer vision to re-identify graffiti tags. The work examines the possibility of using convolutional neural networks to re-identify graffiti tags, which are the most common type of graffiti. The work experimented with various models of convolutional neural networks, the most suitable of which was MobileNet using the triplet loss function, which managed to achieve a mAP of 36.02%.

Tato práce se zabývá moderními metodami umožňující detekci dopravních značek a semaforů přímo v provozu i zpětnou analýzou. Hlavním předmětem jsou konvoluční neuronové sítě (CNN). V řešení jsou použity konvoluční neuronové sítě typu YOLO. Hlavním cílem této práce je dosažení co největší optimalizace rychlosti a přesnosti modelů. Zkoumá vhodné datové sady. K trénování a experimentování je použita celá řada datových sad. Ty jsou složeny z reálných a syntetických datových sad. Pro trénování a testování byla data předzpracována pomocí nástroje Yolo mark. Trénování modelu bylo uskutečněno na výpočetním středisku náležící virtuální organizaci MetaCentrum VO. Z důvodu vyčíslitelného vyhodnocení kvality detektoru byl vytvořen program statisticky i graficky zobrazující jeho úspěšnost pomocí hodnotícího protokolu COCO a ROC křivky. V práci jsem vytvořil model, který dosahoval průměrné počáteční přesnosti až 81 %. Práce zobrazuje nejlepší volbu hranice jistoty napříč verzemi, velikostmi i IoU. Je vytvořeno i rozšíření pro telefony v TensorFlow Lite a Flutter., The thesis focuses on modern methods of traffic sign detection and traffic lights detection directly in traffic and with use of back analysis. The main subject is convolutional neural networks (CNN). The solution is using convolutional neural networks of YOLO type. The main goal of this thesis is to achieve the greatest possible optimization of speed and accuracy of models. Examines suitable datasets. A number of datasets are used for training and testing. These are composed of real and synthetic data sets. For training and testing, the data were preprocessed using the Yolo mark tool. The training of the model was carried out at a computer center belonging to the virtual organization MetaCentrum VO. Due to the quantifiable evaluation of the detector quality, a program was created statistically and graphically showing its success with use of ROC curve and evaluation protocol COCO. In this thesis I created a model that achieved a success average rate of up to 81 %. The thesis shows the best choice of threshold across versions, sizes and IoU. Extension for mobile phones in TensorFlow Lite and Flutter have also been created.

Tato práce se zaměřuje na problém počítání vozidel v statickém obraze bez znalosti geometrických vlastností scény. V rámci řešení bylo implementováno a natrénováno 5 architektur konvolučních neuronových sítí. Také byl pořízen rozsáhlý dataset s 19 310 snímky pořízených z 12pohledů a zachycujících 7 různých scén. Použité konvoluční sítě mapují vstupní vzorek na mapu hustoty vozidel, ze které lze získat jejich počet a lokalizaci v kontextu vstupního snímku. Hlavním přínosem této práce je porovnání a aplikace dosavadních nejlepších řešení pro počítání objektů v obraze. Většina z těchto architektur byla navržena pro počítání lidí v obraze, proto musely být uzpůsobeny pro potřeby počítání vozidel v statickém obraze. Natrénované modely jsou vyhodnoceny GAME metrikou na TRANCOS datasetu a na velkém spojeném datasetu. Dosažené výsledky všech modelů jsou následně popsány a porovnány., This work addresses the problem of counting vehicles in static images with no geometric information of the scene. Five convolutional neural network architectures were studied, implemented and trained as the main part of this work. Also, a dataset that consists of 19 310 images from 12 views that captures 7 different scenes were taken as part of this work. The trained networks map the appearance of the input sample to its corresponding vehicles density map, which can be easily translated to the vehicle count with keeping the localization of the vehicles in the input image. The main contribution of this work is in an application and a comparison of the state-of-the-art solutions to the problem of object counting. Most of them were mainly designed to count pedestrians in crowded scenes or for medicine images, so the major goal was to adapt these solutions for vehicle counting task. The implemented models were evaluated on TRANCOS dataset and large custom dataset with the GAME metric. Their performance is compared and the results are discussed.

Tato bakalářská práce je zaměřena na detekci vozidel v obraze. V práci je rozebrána metoda detekce vozidel pomocí konvolučních neuronových sítí, jejich struktury a modely. Všechny skripty byly realizovány v programovacím jazyce Python s rozhraním Tensorflow Object Detection API. První část bakalářské práce jsem věnoval strukturám populárních neuronových sítí a modelům detekčních neuronových sítí. Další kapitola se zabývá nejznámějšími frameworky, které se používají pro strojové učení. Byly vybrány tři modely neuronové sítě, jež byly natrénovány na datasetu COD20K. Výsledkem jsou statistické údaje, které pojednávají o efektivitě a výkonu jednotlivých modelů na natrénovaném datasetu a porovnání výkonu bez zobrazení videa na zařízeních Nvidia RTX 2060, kdy výkon dosažený sítí SDD MobileNet V2 byl 300FPS a Nvidia Tegra TX2 8GB, jehož výkon dosahoval téměř 44FPS., This bachelor thesis is focused on vehicle detection. The thesis deals with the method of vehicle detection using convolutional neural networks, their structures and models. All scripts were implemented using python programming language with Tensorflow Object Detection API interface. The first part of this thesis was devote to the structures of popular neural networks and models of detection neural networks. The next chapter deals with the most famous frameworks that are used for machine learning. Three neural network models were selected and trained on the COD20K dataset. The result of this thesis is statistics that discuss the efficiency and performance of each model on trained dataset and compare performance without displaying video on Nvidia RTX 2060, where the performace archieved by SSD MobileNet V2 network was 300FPS and Nvidia Tegra TX2 8GB, whose performace reached almost 44FPS.

Cieľom tejto bakalárskej práce je rozpoznať typ vozidla z obrazu pomocou neurónových sietí. Vozidlá sú rozdelené na šesť typov a to konkrétne - osobné auto, malá dodávka, dodávka, nákladné auto, kamión a autobus. Dátová sada bola vlastnoručne zozbieraná z videozáznamov, ktoré zaznamenávajú trajektóriu vozidiel. Následne bol zostrojený anotačný nástroj na anotovanie obrázkov. Na trénovanie sietí boli použité architektúry: VGG16, ResNet50, Xception, InceptionResNet-v2. Výsledkom práce je porovnanie architektúr. Všetky architektúry sa natrénovali a dosiahli výsledok nad 90%., The goal of this bachelor thesis is to recognize the type of vehicle from the image using neural networks. Vehicles are divided into 6 types, namely a car, a small van, a van, a mini truck, a truck and a bus. The data set was picked from videos that record the trajectory of the vehicles. Subsequently, an image annotation tool was built. The following architectures were used for network training: VGG16, ResNet50, Xception, InceptionResNet-v2. The result of the work is a comparison of architectures. All architectures were trained and achieved a result above 90%.

Cílem této práce je navrhnout a implementovat systém domácí automatizace zaměřený na propojování jednotlivých zařízení v domácnosti pomocí podmínek a akcí. Například jakmile magnetická závora zaznamená otevření dveří, odešle se příkaz o rozsvícení světel v chodbě, pokud však zároveň nedojde k přečtení povolené karty RFID čtečkou, bude zapnut alarm. Problém je vyřešen pomocí serveru běžícího na mikropočítači Raspberry Pi, který s určitou periodou prochází a kontroluje veškeré podmínky, které uživatel definoval pomocí webového rozhraní a na základě jejich splnění vykonává dané akce. Vytvořené řešení poskytuje možnost, jak jednoduše propojit chytrá zařízení v domácnosti a jak je zautomatizovat. Uživatel sám musí naprogramovat jednotlivé moduly, komplexní podmínky i akce a tato práce mu přináší infrastrukturu ke komunikaci a příklady jakým způsobem tyto moduly navrhnout., This work aims to propose and implement a home automation system based on individual devices' connection using conditions and actions. For example, when a magnetic barrier determines that a door was opened, a command that turns on lights in the hallway is sent. However, if a card reader does not register allowed card, the alarm will be triggered. This problem is solved by a server running on Raspberry Pi, which is periodically checking all conditions that a user has defined via a web page. Based on their fulfillment, it executes predefined action. Created solution provides a way how to connect smart devices in household easily and how to automate them. Users must program each module, complex conditions, and actions by themselves. This work presents an infrastructure for communication and examples on how to create such modules.

Tato práce se věnuje problematice klasifikace modelu automobilu z obrazu. Popisuje několik metod, jako konvoluční neuronové sítě, metody omezené na přední/zadní pohled a metody využívající 3D CAD modely. Z těchto přístupů si vybírá konvoluční neuronové sítě, kterým se dále věnuje. Práce obsahuje popis jednotlivých vrstev, ze kterých se taková síť skládá. V praktické části je popsán postup, jakým byl vytvořen klasifikátor, který má přesnost 80,7\,\%. Pro účely ověření funkčnosti byla vytvořena datová sada obsahující 1\,034 fotografií. Práce dále experimentuje s různými architekturami a vyhodnocuje jejich přesnost. Součástí práce je program, který díky detektoru automobilu najde ve videu vozidla a v daném videu je označí čtverečkem a popisem modelem automobilu., This thesis deals with classification of a car model from an image. It describes several methods, such as convolutional neural networks, methods limited to the fron/rear view and methods using 3D CAD models. From these approaches it chooses convolutional neural networks, which it further deals with. The work contains a description of the individual layers of which such a network consists. The practical part describes the procedure by which the classifier, that has an accuracy of 80.7\,\%, was created. A dataset containing 1\,034 photos was created to verify functionality. The work further experiments with different architectures and evaluates their accuracy. The work contains a program which, thanks to the car detector, finds the vehicle in the video and marks it with a square and a description of the car model in the given video.