| dc.contributor.author |
Turečková, Alžběta
|
|
| dc.date.accessioned |
2023-10-10T07:28:12Z |
|
| dc.date.available |
2023-10-10T07:28:12Z |
|
| dc.date.issued |
2016-09-14 |
|
| dc.identifier |
Elektronický archiv Knihovny UTB |
|
| dc.identifier.isbn |
978-80-7678-191-7 |
cs |
| dc.identifier.uri |
http://hdl.handle.net/10563/52453
|
|
| dc.description.abstract |
Tato disertační práce zkoumá významnou roli zpracování dat při praktickém použití technik hlubokého učení pro detekci objektů v obrazech s vysokým rozlišením. Práce zkoumá dopad mechanismů pozornosti a představuje nové metody zpracování dat, konkrétně Artificial Size Slicing Aided Fine Tuning (ASSAFT) a Artificial Size Slicing Aided Hyper Inference (ASSAHI). Přes úspěšné použití mechanismů pozornosti při zpracování medicínských dat, praktické uplatnění podobných principů v nově vytvořeném datasetu Tomato360 se neukázalo prospěšné. Na druhou stranu, významné zlepšení kvality detekce objektů v datasetu Tomato360 bylo dosaženo prostřednictvím nově navržených technik ASSAFT a ASSAHI. Práce dokumentuje výzvy spojené s nasazením technik hlubokého učení v reálných aplikacích; konkrétně je finální navržené řešení využito pro odhad sklizně rajčat ve skleníku. |
|
| dc.format |
44 |
cs |
| dc.language.iso |
en |
|
| dc.publisher |
Univerzita Tomáše Bati ve Zlíně |
|
| dc.rights |
Bez omezení |
|
| dc.subject |
Hluboké učení
|
cs |
| dc.subject |
Detekce objektů
|
cs |
| dc.subject |
Obrazová data s vysokým ro zlišením
|
cs |
| dc.subject |
Dataset Tomato360
|
cs |
| dc.subject |
Mechanismy pozornosti
|
cs |
| dc.subject |
Artificial Size Slicing Aided Fine Tuning
|
cs |
| dc.subject |
ASSAFT
|
cs |
| dc.subject |
Artificial Size Slicing Aided Hyper Inference
|
cs |
| dc.subject |
ASSAHI
|
cs |
| dc.subject |
Odhad výnosů plodin
|
cs |
| dc.subject |
Tvorba datasetu
|
cs |
| dc.subject |
Deep Learning
|
en |
| dc.subject |
Object Detection
|
en |
| dc.subject |
High-resolution Images
|
en |
| dc.subject |
Tomato360 Dataset
|
en |
| dc.subject |
Attention Mechanisms
|
en |
| dc.subject |
Artificial Size Slicing Aided Fine Tuning
|
en |
| dc.subject |
AS SAFT
|
en |
| dc.subject |
Artificial Size Slicing Aided Hyper Inference
|
en |
| dc.subject |
ASSAHI
|
en |
| dc.subject |
Crop YieldEstimation
|
en |
| dc.subject |
Real-world Dataset Creation
|
en |
| dc.title |
Využití metod hlubokého učení v počítačovém vidění |
|
| dc.title.alternative |
Metody soft computingu v počítačovém vidění |
|
| dc.type |
disertační práce |
cs |
| dc.description.abstract-translated |
This Doctoral Thesis investigates the significant role of data handling in the practical application of deep learning techniques for object detection in highresolution images. The study examines the impact of attention mechanisms and introduces novel data processing methodologies, namely Artificial Size Slicing Aided Fine Tuning (ASSAFT) and Artificial Size Slicing Aided Hyper Inference (ASSAHI). Despite the potential of attention mechanisms observed in medical imaging, the practical application of similar principles in the custom-made Tomato360 dataset does not prove to be beneficial. On the other hand, a substantial improvement in object detection performance in the Tomato360 dataset was achieved through the newly proposed ASSAFT and ASSAHI techniques. The research underlines the challenges of deploying deep learning techniques in real-world scenarios; concretely, the final proposed solution is utilized and evaluated for estimating crop yields in tomato greenhouses. |
|
| dc.description.department |
Ústav informatiky a umělé inteligence |
|
| dc.thesis.degree-discipline |
Inženýrská informatika |
cs |
| dc.thesis.degree-discipline |
Engineering Informatics |
en |
| dc.thesis.degree-grantor |
Univerzita Tomáše Bati ve Zlíně. Fakulta aplikované informatiky |
cs |
| dc.thesis.degree-grantor |
Tomas Bata University in Zlín. Faculty of Applied Informatics |
en |
| dc.thesis.degree-name |
Ph.D. |
|
| dc.thesis.degree-program |
Inženýrská informatika |
cs |
| dc.thesis.degree-program |
Engineering Informatics |
en |
| dc.identifier.stag |
66062
|
|
| dc.date.submitted |
2023-08-22 |
|
