Detail práce

Detektor ohně ve videu

Diplomová práce Student: Poledník Tomáš Akademický rok: 2014/2015 Vedoucí: Herout Adam, prof. Ing., Ph.D.
Název anglicky
Detection of Fire in Video
Jazyk práce
český
Abstrakt
Tato diplomová práce se zabývá detekcí ohně ve videu pomocí farební analýzy a strojového učení, konkrétně hlubokých konvolučních neurónových sítí, použitím nástroje Caffe. Cílem je vytvoření velké sady dat, která může sloužit jako základní prvek detekce založené na strojovém učení a vytvoření detektoru použitelného v reálné aplikaci. Pro účely projektu byla navrhnuta a vytvořena sada nástrojů pro tvorbu sekvencí s ohněm, jejich segmentaci a automatickou anotaci spolu s velkou trénovací sadou krátkých sekvencí umělo vymodelovaného ohně.
Klíčová slova

Detekce ohně, zpracování obrazu, video sekvence, strojové učení hlbokými konvolučními neuronovými sítěmi, počítačové vidění, Caffe, modelování ohně, kompozice scény s ohněm

Ústav
Ústav počítačové grafiky a multimédií FIT VUT v Brně
Studijní program
Informační technologie, obor Inteligentní systémy
Soubory
Stav
obhájeno, hodnocení B
Obhajoba
24. června 2015
Oponent
Hradiš Michal, Ing., Ph.D.
Průběh obhajoby

Student nejprve prezentoval výsledky, kterých dosáhl v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Student následně odpověděl na otázky oponenta a na další otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm B.

Otázky u obhajoby
  1. Jakou pspěšnost detekce a false alarm rate by musel mít detektor ohně pro reálné požití například v dohledovém systému? 
  2. Proč porovnáváte detektory v různých operačních bodech? Je možné porovnávat "kvalitu" detektorů takovým postupem? Můžete pro vaše detektory nastavit požadovaný operační bod (například určitou false alarm rate)?
  3. Proč pro detekci ohně musí mít alespoň jedna oblast odezvu detektoru právě 0.6?
  4. Máte představu, jak se liší úspěšnost vašich detektorů trénovaných na umělých datech oproti obdobným detektorům natrénovaným na fotografiích a videích, které lze poměrně jednoduše získat pomocí standardních vyhledávačů?
  5. Jsou dvě scény a omezený počet simulací dostatečné pro trénování detektoru s ohledem na možnou variabilitu scén a osvětlení?
  6. Uvedené doby trénování CNN jsou pro GTX 980 neúměrně vysoké. Čím je to způsobeno?
  7. Proč jste využíval jen jednu CNN architekturu, která je navíc poměrně velká a náročná na trénování? 
Komise
Zbořil František V., doc. Ing., CSc. (UITS FIT VUT), předseda
Bidlo Michal, doc. Ing., Ph.D. (UPSY FIT VUT), člen
Češka Milan, prof. RNDr., CSc. (UITS FIT VUT), člen
Lucká Mária, prof. RNDr., Ph.D. (FIIT STU), člen
Očenášek Pavel, Mgr. Ing., Ph.D. (UIFS FIT VUT), člen
Švéda Miroslav, prof. Ing., CSc. (UIFS FIT VUT), člen
Citace
POLEDNÍK, Tomáš. Detektor ohně ve videu. Brno, 2015. Diplomová práce. Vysoké učení technické v Brně, Fakulta informačních technologií. 2015-06-24. Vedoucí práce Herout Adam. Dostupné z: https://www.fit.vut.cz/study/thesis/17817/
BibTeX 
@mastersthesis{FITMT17817,
    author = "Tom\'{a}\v{s} Poledn\'{i}k",
    type = "Diplomov\'{a} pr\'{a}ce",
    title = "Detektor ohn\v{e} ve videu",
    school = "Vysok\'{e} u\v{c}en\'{i} technick\'{e} v Brn\v{e}, Fakulta informa\v{c}n\'{i}ch technologi\'{i}",
    year = 2015,
    location = "Brno, CZ",
    language = "czech",
    url = "https://www.fit.vut.cz/study/thesis/17817/"
}

Závěrečné práce

Nahoru