Detekční forenzní nástroj s využitím hlubokých neuronových sítí pro odhalování specifických dat dle škály COPINE

DSpace Repository

Language: English čeština 

Detekční forenzní nástroj s využitím hlubokých neuronových sítí pro odhalování specifických dat dle škály COPINE

Show simple item record

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


Files in this item

Files Size Format View Description
šedivý_2024_dp.pdf 3.239Mb PDF View/Open None
šedivý_2024_op.pdf 130.8Kb PDF View/Open None
šedivý_2024_vp.pdf 386.5Kb PDF View/Open None

This item appears in the following Collection(s)

Show simple item record

Find fulltext

Search DSpace


Browse

My Account