Detekce a sledování lidského těla ve vnitřním prostoru pomocí konvolučních neuronových sítí
Convolutional neural network-based human body detection and tracking in the interior
Type of document
bakalářská prácebachelor thesis
Author
Thi Thu Hien Nguyenová
Supervisor
Kerepecký Tomáš
Opponent
Novozámský Adam
Field of study
Matematické inženýrstvíStudy program
Aplikace přírodních vědInstitutions assigning rank
katedra matematikyRights
A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmlVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html
Metadata
Show full item recordAbstract
Cílem bakalářské práce bylo prozkoumat a prostudovat detekci a sledování lidského těla s důrazem na lidskou tvář pomocí moderních metod hlubokého učení a klasických přístupů. Na základě teoretických znalostí si vybrat a vytvořit jednu metodu klasického přístupu, nasbírat vhodná data a vyzkoušet (vytrénovat) metodu založenou na hlubokém učení k odhadu pozice hlavy člověka. V praktické části byla zkonstruována geometrická metoda a sít FCNN. Metody byly vyzkoušeny na reálných datech. Nakonec jsme tyto metody porovnali. The aim of the bachelor thesis was to explore and study the detection and monitoring of the human body with emphasis on the human face using modern deep learning methods and classical approaches. Based on theoretical knowledge, to choose and create one method of the classical approach, collect the appropriate data and try to implement (train) a method based on deep learning to estimate the position of the human head. In the practical part, the geometric method and the FCNN network were constructed. The methods were tested on real data. Finally, we compared these methods.
Collections
- Bakalářské práce - 14101 [249]