Ing. Jitka Hrabáková, Ph.D.

Ing. Jitka Hrabáková, Ph.D.

Ing. Karel Klouda, Ph.D.

Katedra teoretické informatiky

Ing. Jitka Hrabáková

Ing. Daniel Vašata, Ph.D.

Katedra softwarového inženýrství

Tato bakalářská práce se zabývá problematikou simulace pohybu chodců. Křešení této problematiky se využívají modely založené na celulárních automatech. Celulární modely pohybu chodců jsou velmi efektivním nástrojem pro simulaci evakuace budov a zařízení. Cílem práce je vytvořit uživatelsky přívětivou aplikaci umožňující simulace Floor field modelů pro pohyb chodců. Práce obsahuje přehled modelů pohybu chodců založených na celulárních automatech. K vytvoření aplikace byla použita platforma .NET a programovací jazyk C#. Aplikace je vytvořena v uživatelsky přívětivém prostředí a umožňuje snadnou rozšiřitelnost. Práce obsahuje výsledky testování s existujícím řešením.

Práce na DSpace

Ing. Jitka Hrabáková, Ph.D.

doc. Ing. Štěpán Starosta, Ph.D.

Katedra aplikované matematiky

Tato práce se zabývá odhadem kalorií a makronutrientů z jednoho snímku pokrmu s využitím metod hlubokého učení. Na datasetu Nutrition5k jsou experimentálně porovnány tři přístupy: přímá regrese z RGB snímku pomocí sítě MobileNetV2, segmentace pokrmu modelem Segment Anything s následnou klasifikací sítí EfficientNet-B0 a regrese ze čtyřkanálového vstupu (RGB + hloubková mapa) pomocí sítě Inception-V3. Nejlepších výsledků dosáhl třetí přístup s hloubkovými daty (MAE 22,4 % pro kalorie na testovací sadě cafe1), který však vyžaduje speciální hloubkový senzor Intel RealSense. Práce proto navrhuje vlastní modifikaci, která hardwarovou hloubkovou mapu nahrazuje odhadem z modelu Depth Anything V2 a zavádí korekci měřítka pomocí referenčního objektu (mince 2 EUR) detekovaného modelem YOLOv8. Modifikace dosahuje srovnatelné přesnosti (MAE 21,8 % pro kalorie na cafe1) bez potřeby hloubkového senzoru a navíc umožňuje zpracovat snímky z libovolného fotoaparátu. Korekce měřítka pomocí mince se však v praxi neprojevila, protože všechny snímky v datasetu byly pořízeny ze stejné vzdálenosti, a model se tak naučil parametr pixels_per_mm nebrat do úvahy. Řešení je demonstrováno webovou aplikací FoodLens.

Práce na DSpace

Ing. Jitka Hrabáková, Ph.D.

Ing. Magda Friedjungová, Ph.D.

Katedra aplikované matematiky

Městské tepelné ostrovy (Urban Heat Islands, UHI) představují jev, kdy zastavěná území vykazují systematicky vyšší teploty než okolní venkovská krajina. Tato práce se zabývá modelováním prostorové intenzity UHI ze satelitních dat povrchu s důrazem na schopnost modelu generalizovat na dříve neviděná města. Po rešerši běžně používaných indexů (UTFVI, SUHII) a jejich omezení je zaveden modifikovaný index VSUHII, jenž jako referenci používá pouze nejvíce ozeleněné pixely venkova (horních 20 % hodnoty NDMI), čímž oproti SUHII řádově snižuje variabilitu mezi městy (variační koeficient 0,54 vs. 3,08). Pomocí platformy Google Earth Engine byla z družic Landsat 8/9, klasifikace Dynamic World a klimatických dat WorldClim sestavena datová sada letních snímků 62 měst (40 evropských a 22 mimoevropských) v období 2021-2025. Na ní byly porovnány Ridge regrese, Random Forest, XGBoost a tři varianty konvolučních neuronových sítí (5x5, 9x9, 15x15). Generalizace byla vyhodnocena křížovou validací na úrovni měst (GroupKFold) a na nezávislé evropské i mimoevropské testovací sadě. Konvoluční sítě překonaly modely pracující s tabulkovými daty díky využití prostorového kontextu a na evropské sadě dosáhly R^2 0,71 a RMSE 2,27 °C. Na mimoevropské sadě klesá R^2 na 0,33, Pearsonova korelace však zůstává na 0,70, model tedy často správně zachycuje prostorový vzor, ale absolutní hodnoty jsou posunuté. Analýza příznaků pomocí metody SHAP a ablační studie odhalily, že podstatnou informaci nese pouze 7 z 15 příznaků a že průměrná hodnota NDMI venkova je klíčová pro přenos modelu mimo trénovací distribuci.

Práce na DSpace

Ing. Jitka Hrabáková, Ph.D.

doc. Ing. Štěpán Starosta, Ph.D.

Katedra aplikované matematiky

Práce představuje automatický systém pro binární segmentaci fotogrammetrických 3D modelů oblečených figurín na základě obrazové textury, který odděluje povrch oděvu od povrchu figuríny, čímž zužuje obecnější zadání odstraňovat ze skenu nežádoucí prvky a ostatní typy těchto prvků (zbytky pozadí, fotogrammetrické vady oděvu, chybně klasifikované dekorativní detaily) ponechává do další práce. Cílem je usnadnit digitalizaci historických oděvů ze sbírek typu CESNET Virtuální Digitální Šatník, kde výsledné modely vždy obsahují i podstatnou část povrchu figuríny, kterou je třeba před dalším využitím odstranit. Trénovací data jsou generována synteticky nad datasetem CLOTH3D a parametrickým modelem těla SMPL, rozšířená o procedurální amputaci částí těla, náhodné PBR materiály na těle i oděvu a HDRI osvětlení z knihovny Poly Haven. Na vykreslených pohledech je trénována síť ConvNeXt-Base U-Net ve dvou konfiguracích lišících se šířkou rozdělení materiálů figuríny. Při inferenci je neznámý model vykreslen z dvaceti čtyř pohledů rozmístěných na Fibonacciho mřížce, predikce z jednotlivých pohledů jsou přeneseny do UV atlasu modelu váženým průměrem zohledňujícím viditelnost, zpřesněny hranovým filtrem řízeným RGB texturou a binarizovány hysterezním prahováním. Systém je vyhodnocen na syntetické testovací sadě, na osmi skenech ze Sketchfabu převzatých z předchozí bakalářské práce a na pěti historických skenech ze sbírky CESNET. Na skenech ze Sketchfabu dosahuje texelového IoU 0,92 až 0,93 a překonává nejlepší klasickou metodu na stejných osmi skenech přibližně o dva body Dice a čtyři body IoU. Zároveň odpadá ruční maska zájmové oblasti, kterou předchozí přístup vyžadoval pro každý sken zvlášť. Vysoké IoU však ještě neznamená praktickou použitelnost. Kolem otvorů oděvu typicky zůstává tenký pruh nesegmentované figuríny vyžadující ruční dočištění a na skenech mimo trénovací rozdělení obě konfigurace navíc selhávají kategoricky. Tyto dva režimy vytyčují hlavní směry další práce.

Práce na DSpace

Ing. Jitka Hrabáková, Ph.D.

Ing. Jakub Krásenský, Ph.D.

Katedra aplikované matematiky

Tato bakalářská práce se zabývá detekcí reálných a uměle generovaných obrázků pomocí metod hlubokého učení a forenzní analýzy. V teoretické části jsou postupně představena tři hlavní paradigmata generativního modelování --- variační autoenkodéry, generativní kompetitivní sítě a pravděpodobnostní difuzní modely --- společně s analýzou artefaktů, které tyto modely zanechávají v generovaných obrázcích. Navazující kapitoly poskytují přehled současných detekčních metod, od klasické frekvenční analýzy a fingerprintingu přes pokročilé frameworky jako F3-Net či LGrad až po techniky specializované na difuzní modely, mezi něž patří metoda rekonstrukční chyby DIRE, její odlehčená varianta DistilDIRE, a dále frameworky DiffusionFake, FRIDA, DiffusionFF a NASA-Swin. V praktické části je provedeno experimentální vyhodnocení vybraných detektorů na sadě reálných i syntetických datasetů zahrnující devět generativních zdrojů (pokrývajících čtyři architektonické rodiny: GAN, difuze, face-swap, autoencoder) a pět datasetů reálných tváří. Důraz je kladen na schopnost generalizace napříč rodinami a na robustnost vůči běžným degradacím obrazu (JPEG komprese, rozmazání, snížení rozlišení). Výsledky odhalují systematickou inverzi orientace skóre u hlubokých detektorů v cizích doménách: surová AUC (deployable dolní mez bez kalibrace) klesá u čtyř ze šesti konfigurací pod 0{,}5, zatímco kalibrovaná AUC s ideální per-doménovou kalibrací znaménka (oracle horní mez) dosahuje 0{,}68--0{,}86. Práce tedy přeformulovává obvyklé tvrzení ,,detektor nefunguje napříč rodinami`` na ,,detektor funguje, ale vyžaduje per-doménovou kalibraci znaménka skóre``.

Práce na DSpace

Ing. Jitka Hrabáková, Ph.D.

Ing. Karel Klouda, Ph.D.

Katedra aplikované matematiky

Práce se zaměřuje na podrobnou klasifikaci podtypů herních stylů v plážovém volejbalu, konkrétně útoku, obrany, podání a nahrávky. Z profesionálních videozáznamů snímaných z pevné kamery byly pomocí metod hlubokého učení klasifikovány jednotlivé styly akcí na základě anotovaných sekvencí. Bylo porovnáno několik modelů a multimodálních přístupů, včetně multiscale Graph Attention Network s enkodérem trajektorie míče a plně multimodálního modelu. Nejlepších výsledků bylo dosaženo s macro F1-score 0,64 a 0,67 na původním datasetu a až 0,76 po sloučení méně zastoupených tříd.

Práce na DSpace