Detekční forenzní nástroj s využitím hlubokých neuronových sítí pro odhalování specifických dat dle škály COPINE
Zobrazit minimální záznam
| dc.contributor.advisor |
Komínková Oplatková, Zuzana
|
|
| dc.contributor.author |
Šedivý, Filip
|
|
| dc.date.accessioned |
2024-07-23T13:16:52Z |
|
| dc.date.available |
2024-07-23T13:16:52Z |
|
| dc.date.issued |
2023-11-05 |
|
| dc.identifier |
Elektronický archiv Knihovny UTB |
|
| dc.identifier.uri |
http://hdl.handle.net/10563/56444
|
|
| dc.description.abstract |
Diplomová práce je zaměřena na vyvoj modelů neuronovych sítí pro detekci odhalenych osob dle škály COPINE. Natrénované modely, implementované v rámci webové aplikace, umožňují zpracování obrázků jako vstupních dat s cílem detekce zájmovych oblastí. Modely, založené na rozdílnych architekturách neuronovych sítí, vykazují mAP 58,75 % na testovací datové sadě, přičemž v určitych specifickych oblastech dosahuje nejlepší model AP 70 %. |
|
| dc.format |
87 s. (131 361 znaků) |
|
| dc.language.iso |
cs |
|
| dc.publisher |
Univerzita Tomáše Bati ve Zlíně |
|
| dc.rights |
Bez omezení |
|
| dc.subject |
Umělá inteligence
|
cs |
| dc.subject |
počítačové vidění
|
cs |
| dc.subject |
PyTorch
|
cs |
| dc.subject |
YOLOv8
|
cs |
| dc.subject |
Detectron2
|
cs |
| dc.subject |
Faster R-CNN
|
cs |
| dc.subject |
Artificial Intelligence
|
en |
| dc.subject |
Computer Vision
|
en |
| dc.subject |
PyTorch
|
en |
| dc.subject |
YOLOv8
|
en |
| dc.subject |
Detectron2
|
en |
| dc.subject |
Faster R-CNN
|
en |
| dc.title |
Detekční forenzní nástroj s využitím hlubokých neuronových sítí pro odhalování specifických dat dle škály COPINE |
|
| dc.title.alternative |
A Detection Forensic Tool Using Deep Neural Networks for Detecting Specific Data According to the COPINE Scale |
|
| dc.type |
diplomová práce |
cs |
| dc.contributor.referee |
Volná, Eva |
|
| dc.date.accepted |
2024-06-06 |
|
| dc.description.abstract-translated |
The thesis focuses on the development of neural network models for detection of detected persons according to the COPINE scale. The trained models, implemented within a web application, allow the processing of images as input data in order to detect regions of interest. The models, based on different neural network architectures, show a mAP of 58.75% on the test dataset, with the best model achieving an AP of 70% in certain specific regions. |
|
| dc.description.department |
Ústav informatiky a umělé inteligence |
|
| dc.thesis.degree-discipline |
Softwarové inženýrství |
cs |
| dc.thesis.degree-discipline |
Software Engineering |
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 |
Ing. |
|
| dc.thesis.degree-program |
Informační technologie |
cs |
| dc.thesis.degree-program |
Information Technologies |
en |
| dc.identifier.stag |
66665
|
|
| dc.date.submitted |
2024-05-13 |
|
Soubory tohoto záznamu
Tento záznam se objevuje v následujících kolekcích
Zobrazit minimální záznam
