A Comparative Study of Automatic Person Re-identification Methods and Their Application to Football – Bc. Dominika Trebatická
Bc. Dominika Trebatická
Diplomová práce
A Comparative Study of Automatic Person Re-identification Methods and Their Application to Football
A Comparative Study of Automatic Person Re-identification Methods and Their Application to Football
Anotace:
V oblasti počítačového videnia chápeme reidentifikáciu osôb ako znovurozoznanie identity osoby, ktorá bola predtým už zachytená kamerovým systémom, typicky v bezpečnostných monitorovacích systémoch. Táto diplomová práca skúma možnosť použitia metód reidentifikácie osôb v oblasti športových aplikácií. Skúmané metódy sú z oblasti hlbokého učenia.Abstract:
In computer vision, person re-identification is the task of recognizing and assigning an identity to a person previously observed, typically in a different camera view. This thesis addresses the possibility of using person re-identification in a sports setting and compares it with the usual task of person re-identification in public spaces. Emphasis is placed on deep learning approaches.
Jazyk práce: angličtina
Datum vytvoření / odevzdání či podání práce: 21. 5. 2018
Identifikátor:
https://is.muni.cz/th/pjtuv/
Obhajoba závěrečné práce
- Obhajoba proběhla 20. 6. 2018
- Vedoucí: doc. RNDr. Pavel Matula, Ph.D.
- Oponent: Mgr. Karel Štěpka, Ph.D.
Citační záznam
Citace dle ISO 690:
TREBATICKÁ, Dominika. \textit{A Comparative Study of Automatic Person Re-identification Methods and Their Application to Football}. Online. Diplomová práce. Brno: Masarykova univerzita, Fakulta informatiky. 2018. Dostupné z: https://theses.cz/id/4s6dkf/.
Plný text práce
Obsah online archivu závěrečné práce
Zveřejněno v Theses:- světu
Jak jinak získat přístup k textu
Instituce archivující a zpřístupňující práci: Masarykova univerzita, Fakulta informatikyMasarykova univerzita
Fakulta informatikyMagisterský studijní program / obor:
Informatika / Počítačová grafika
Práce na příbuzné téma
-
Modelling small-RNA binding using Convolutional Neural Networks
Eva Klimentová -
Visualization of hidden layers in convolutional neural networks
Jakub Hruška -
Automatic Recognition of User Interface States Using Convolutional Neural Networks
Klára Petrovičová -
Segmentation of Dense Cell Populations using Convolutional Neural Networks
Filip Lux -
Interpretation techniques for deep neural networks in digital histopathology
Martin Krebs -
Tomographic back-projection of either sparse or low-quality projection views, based on convolutional neural networks (CNN)
Payal JAIN -
Impact of Data Quality on Deep Learning Algorithms in Computer Vision
Vlastimil Martinek