| | SLO | ENG | Cookies and privacy

Bigger font | Smaller font

Search the digital library catalog Help

Query: search in
search in
search in
search in
* old and bologna study programme

Options:
  Reset


1 - 3 / 3
First pagePrevious page1Next pageLast page
1.
UPORABA DIGITALNEGA FOTOAPARATA PRI MULTIMODALNEM NADZORU OKOLJA
Gašper Sedej, 2011, bachelor thesis/paper

Abstract: V diplomskem delu opisujemo sistem, ki smo ga razvili za multimodalni oddaljeni nadzor okolja. Sistem je sestavljen iz več komponent, med katerimi ima ključno vlogo digitalni fotoaparat. Ta je uporabljen za zajemanje žive slike in hkrati tudi fotografij z visoko ločljivostjo. Fotoaparat nadzira računalniški strežnik, ki poganja programsko opremo gPhoto. Video zajemamo preko fotoaparatovega analognega priključka in slikovnega pretvornika, ki pretvori analogni video signal v digitalnega. Strežnik nato pošlje stisnjeni video odjemalcu, na zahtevo uporabnika pa sproži fotoaparat in pošlje še visokoločljivostno fotografijo. Preklop med obema načinoma opravi posebno vezje, ki smo ga razvili za USB-priključek na fotoaparatu. Prenos videa in slik med strežnikom in odjemalcem poteka po medmrežju.
Keywords: digitalni fotoaparati, zajemanje videa, stiskanje videa, oddaljeni nadzor fotoaparata, prenos slik in video tokov
Published: 19.07.2011; Views: 1981; Downloads: 135
.pdf Full text (2,52 MB)

2.
ROSUS 2020 - Računalniška obdelava slik in njena uporaba v Sloveniji 2020
2020, proceedings

Abstract: ROSUS 2020 – Računalniška obdelava slik in njena uporaba v Sloveniji 2020 je strokovna računalniška konferenca, ki jo od leta 2006 naprej vsako leto organizira Inštitut za računalništvo iz Fakultete za elektrotehniko, računalništvo in informatiko, Univerze v Mariboru. Konferenca povezuje strokovnjake in raziskovalce s področij digitalne obdelave slik in strojnega vida z uporabniki tega znanja, pri čemer uporabniki prihajajo iz raznovrstnih industrijskih okolij, biomedicine, športa, zabavništva in sorodnih področij. Zbornik konference ROSUS 2020 združuje strokovne prispevke več deset avtorjev, od tega dva vabljena predavanje ter več demonstracijskih prispevkov. Prispevki podajajo najnovejše dosežke slovenskih strokovnjakov s področij digitalne obdelave slik in strojnega vida, osvetljujejo pa tudi trende in novosti na omenjenih strokovnih področjih. Velik poudarek prispevkov je na promoviranju ekonomske koristnosti aplikacij računalniške obdelave slik in vida v slovenskem prostoru. Takšne računalniške aplikacije zaradi visoke natančnosti, robustnosti in izjemnih hitrosti pri obdelovanju informacij nudijo namreč nove priložnosti za uveljavitev na trgu visokih tehnologij.
Keywords: računalniška obdelava slik, strojni vid, biomedicina, industrijske aplikacije, prenos znanja.
Published: 04.03.2020; Views: 112; Downloads: 12
URL Link to file

3.
Detekcija karakterističnih točk na rentgenskih posnetkih glave s pomočjo tehnik globokega učenja
Gašper Sedej, 2018, master's thesis

Abstract: V tem magistrskem delu smo se ukvarjali s sistemom za detekcijo karakterističnih točk na slikovnih podatkih. Izdelali smo splošen sistem za avtomatsko zaznavanje karakterističnih točk, ki smo ga prilagodili za kefalometrične točke na rentgenskih slikah. Kot detektor smo uporabili obstoječo globoko nevronsko mrežo SegNet, ki je namenjena segmentiranju slik. To mrežo smo modificirali za iskanje karakterističnih točk. Novo mrežo smo poimenovali KeypointNet. Izdelali smo tudi sistem za označevanje točk na slikah. Detektor smo učili z učno množico. Na testni množici smo izvedli detekcijo in izmerili napako, ki jo definiramo kot evklidsko razdaljo med napovedano in označeno točko. Testirali smo tudi nabor krmilnih hiperparametrov pri zagonu učenja. Sistem smo testirali na množici 124 kefalometričnih slik velikosti 480 × 360 pikslov, in sicer za nabor 10 izbranih točk. Na vseh slikah smo označili te točke. Slike smo razdelili v učno in testno množico v razmerju približno 75 % in 25 %. Testirali smo 16 naborov hiperparametrov. Za vsak nabor smo izvedli 5 ponovitev učenja. Povprečna napaka v položaju točke na testni množici je bila 2,7 piksla. Testirali smo tudi vpliv dveh hiperparametrov za nadzor učenja. Testi so pokazali, da rahel odklon od priporočenih vrednosti za ta dva hiperparametra nima signifikantnega vpliva na končni rezultat. Dobljeni rezultati so zelo spodbudni. Razvili smo torej napreden sistem na osnovi globokega učenja, ki uspešno detektira karakteristične točke na slikah.
Keywords: globoko učenje, nevronske mreže, kefalometrija, razpoznavanje vzorcev, optimizacija, paralelno izvajanje
Published: 10.01.2019; Views: 386; Downloads: 73
.pdf Full text (5,14 MB)

Search done in 0.06 sec.
Back to top
Logos of partners University of Maribor University of Ljubljana University of Primorska University of Nova Gorica