Detail práce

Odhad hloubky pomocí konvolučních neuronových sítí

Diplomová práce Student: Ivanecký Ján Akademický rok: 2015/2016 Vedoucí: Hradiš Michal, Ing., Ph.D.
Název anglicky
Depth Estimation by Convolutional Neural Networks
Jazyk práce
český
Abstrakt

Táto práca sa zaoberá odhadom hĺbky s použitím konvolučných neurónových sietí. Pre vyriešenie tohto problému je v práci navrhnutý model skladajúci sa z troch častí. Model sa skladá zo siete globálneho kontextu, ktorá odhaduje hrubú štruktúru scény, gradientovej siete, ktorá odhaduje hĺbkové gradienty a zjemňujúcej siete, ktorá na základe výstupov z predchádzajúcich dvoch sietí odhadne konečnú hĺbkovú mapu. Ďalej v práci navrhujem normalizovanú chybovú funkciu na trénovanie neuronových sietí. Použitie tejto chybovej funkcie zlepšuje odhady relatívnej hlbkovej štruktúry scény, za cenu straty informácie o absolutnej hlbke v scéne. 

Klíčová slova

odhad hĺbky, konvolučné neuronové siete, sieť globálneho kontextu, gradientová sieť, zjemňujúca sieť, NYU Depth v2., rozšírovanie dát, normalizovaná chybová funkcia, Caffe

Ústav
Ústav počítačové grafiky a multimédií FIT VUT v Brně
Studijní program
Informační technologie, obor Počítačová grafika a multimédia
Soubory
Stav
obhájeno, hodnocení A
Obhajoba
20. června 2016
Oponent
Španěl 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 A.

Otázky u obhajoby
  1. Na str. 37 uvádíte, že trénování s Vaší normalized loss funkcí vede na ostrost a lokalitu detailů v hloubkové mapě srovnatelnou se současnými metodami. Jak jste toto porovnával? Jak by dopadlo porovnání s přístupy, které využívají CRF?
  2. Jak si vysvětlujete rozdíly ve výstupech různě trénovaných sítí, které jsou prezentované na Obr. 5.6? V ostatních experimentech tak zásadní rozdíly mezi loss funkcemi nevycházejí...
  3. Vysvětlete, co nám jednotlivé metriky (např. Tab. 5.8) říkají o rozdílech mezi výstupem a anotací?
Komise
Smrž Pavel, doc. RNDr., Ph.D. (UPGM FIT VUT), předseda
Herout Adam, prof. Ing., Ph.D. (UPGM FIT VUT), člen
Hrdina Jaroslav, doc. Mgr., Ph.D. (UM OADM FSI VUT), člen
Španěl Michal, Ing., Ph.D. (UPGM FIT VUT), člen
Švéda Miroslav, prof. Ing., CSc. (UIFS FIT VUT), člen
Vojnar Tomáš, prof. Ing., Ph.D. (UITS FIT VUT), člen
Citace
IVANECKÝ, Ján. Odhad hloubky pomocí konvolučních neuronových sítí. Brno, 2016. Diplomová práce. Vysoké učení technické v Brně, Fakulta informačních technologií. 2016-06-20. Vedoucí práce Hradiš Michal. Dostupné z: https://www.fit.vut.cz/study/thesis/18852/
BibTeX 
@mastersthesis{FITMT18852,
    author = "J\'{a}n Ivaneck\'{y}",
    type = "Diplomov\'{a} pr\'{a}ce",
    title = "Odhad hloubky pomoc\'{i} konvolu\v{c}n\'{i}ch neuronov\'{y}ch s\'{i}t\'{i}",
    school = "Vysok\'{e} u\v{c}en\'{i} technick\'{e} v Brn\v{e}, Fakulta informa\v{c}n\'{i}ch technologi\'{i}",
    year = 2016,
    location = "Brno, CZ",
    language = "czech",
    url = "https://www.fit.vut.cz/study/thesis/18852/"
}

Závěrečné práce

Nahoru