Detail práce
Příprava trénovacích dat pomocí generativních neuronových sítí
Cílem této práce byla příprava trénovací datové sady pro detekci dopravních značek pomocí generativních neuronových sítí. V řešení byla použita upravená architektura U-Net a bylo experimentováno s aplikací stylů pomocí vrstev AdaIN podobně jako v modelu StyleGAN. Rozšířením reálné datové sady GTSDB o uměle vytvořené snímky bylo dosaženo úspěšnosti 80,36 %, což představuje zlepšení o 19,27 % oproti úspěšnosti detektoru natrénovanému pouze na reálných datech.
Příprava trénovacích dat, detekce dopravních značek, generativní neuronové sítě, GAN, SSD, Pix2Pix, AdaIN
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 výborně (A).
- Co je Active Learning?
- Proč je jednodušší natrénovat reziduální model?
- Jaká byla nejnáročnější část práce? Co je Vaší prací?
- Proč jste zvolil tuto architekturu?
- Jaký hardware jste používal? Jak dlouho trénování trvalo?
Bařina David, Ing., Ph.D. (UPGM FIT VUT), člen
Burget Radek, doc. Ing., Ph.D. (UIFS FIT VUT), člen
Holík Lukáš, doc. Mgr., Ph.D. (UITS FIT VUT), člen
Jaroš Jiří, doc. Ing., Ph.D. (UPSY FIT VUT), člen
@bachelorsthesis{FITBT20903, author = "Pavel \v{S}ev\v{c}\'{i}k", type = "Bakal\'{a}\v{r}sk\'{a} pr\'{a}ce", title = "P\v{r}\'{i}prava tr\'{e}novac\'{i}ch dat pomoc\'{i} generativn\'{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 = 2020, location = "Brno, CZ", language = "czech", url = "https://www.fit.vut.cz/study/thesis/20903/" }