Detail projektu

Topografická analýza obrazu s využitím metod hlubokého učení

Období řešení: 1. 7. 2019 – 30. 6. 2022

Typ projektu: grant

Kód: LTAIZ19004

Agentura: Ministerstvo školství, mládeže a tělovýchovy ČR

Program: INTER-EXCELLENCE - Podprogram INTER-ACTION

Název anglicky
Deep-Learning Approach to Topographical Image Analysis
Typ
grant
Klíčová slova

image geo-lokalizace, topografické informace, registrace obrazu, hluboké učení, počítačové vidění

Abstrakt

Projekt se zaměřuje na aktuální problémy počítačového vidění, zejména na vizuální lokalizaci v přírodním prostředí. Vizuální lokalizace kamery ve venkovním prostředí není v současnosti vyřešeným problémem, přestože nabízí celou řadu atraktivních aplikací od automatického porozumění obrazu, přes aplikace rozšířené reality až po navigaci samořiditelných vozidel a letounů. Projekt si klade za cíl výzkum nových metod pro lokalizaci kamery založených na registraci (angl. matching) multimodálních dat, zejména fotografické informace, syntetických (angl. rendered) obrazů, hloubkové informace a terénních modelů s využitím aktuálních metod strojového učení, zejména hlubokých neuronových sítí (DNN). Vedle využití terénních dat ve formě grafických modelů bude zkoumána také alternativa predikce hloubkové informace ze vstupní fotografie. Skupina CPhoto@FIT (mailto:CPhoto@FIT) se dlouhodobě daným problémem zabývá a do projektu přináší hluboké zkušenosti výzkumné i aplikační, izraelskému partnerovi dále nabízí unikátní datové sady nepostradatelné pro trénování DNN.

Řešitelé
Čadík Martin, doc. Ing., Ph.D. (UPGM) – hlavní řešitel
Brejcha Jan, Ing., Ph.D. (VZ CPHOTO)
Lysek Tomáš, Ing.
Polášek Tomáš, Ing. (UPGM)
Tomešek Jan, Ing. (UPGM)
Publikace

2023

  • BOBÁK, P.; ČMOLÍK, L.; ČADÍK, M. Reinforced Labels: Multi-Agent Deep Reinforcement Learning for Point-Feature Label Placement. IEEE TRANSACTIONS ON VISUALIZATION AND COMPUTER GRAPHICS, 2023, p. 1-14. ISSN: 1077-2626. Detail
  • POLÁŠEK, T.; ČADÍK, M.; KELLER, Y.; BENEŠ, B. Vision UFormer: Long-Range Monocular Absolute Depth Estimation. COMPUTERS & GRAPHICS-UK, 2023, vol. 111, no. 4, p. 180-189. ISSN: 0097-8493. Detail

2022

  • RAJASEKARAN, S.; KANG, H.; ČADÍK, M.; GALIN, E.; GUÉRIN, E.; PEYTAVIE, A.; SLAVÍK, P.; BENEŠ, B. PTRM: Perceived Terrain Realism Metric. ACM Transactions on Applied Perception, 2022, vol. 19, no. 2, p. 1-22. ISSN: 1544-3558. Detail
  • TOMEŠEK, J.; ČADÍK, M.; BREJCHA, J. CrossLocate: Cross-Modal Large-Scale Visual Geo-Localization in Natural Environments using Rendered Modalities. In Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision (WACV). Waikoloa: Institute of Electrical and Electronics Engineers, 2022. p. 2193-2202. ISBN: 978-1-6654-0477-8. Detail

2021

  • AHMAD, T.; EMAMI, E.; ČADÍK, M.; BEBIS, G. Resource Efficient Mountainous Skyline Extraction using Shallow Learning. In Proceedings of the International Joint Conference on Neural Networks (IJCNN). Hoffman Estates: Institute of Electrical and Electronics Engineers, 2021. p. 1-9. ISBN: 978-1-6654-3900-8. Detail
  • POLÁŠEK, T.; HRŮŠA, D.; BENEŠ, B.; ČADÍK, M. ICTree: Automatic Perceptual Metrics for Tree Models. ACM TRANSACTIONS ON GRAPHICS, 2021, vol. 40, no. 6, p. 1-15. ISSN: 0730-0301. Detail

2020

  • BOBÁK, P.; ČMOLÍK, L.; ČADÍK, M. Temporally Stable Boundary Labeling for Interactive and Non-Interactive Dynamic Scenes. COMPUTERS & GRAPHICS-UK, 2020, vol. 91, no. 10, p. 265-278. ISSN: 0097-8493. Detail
  • BREJCHA, J.; LUKÁČ, M.; HOLD-GEOFFROY, Y.; WANG, O.; ČADÍK, M. LandscapeAR: Large Scale Outdoor Augmented Reality by Matching Photographs with Terrain Models Using Learned Descriptors. In Computer Vision - ECCV 2020. Lecture Notes in Computer Science. Cham: Springer Nature Switzerland AG, 2020. p. 295-312. ISBN: 978-3-030-58525-9. Detail
Patenty

2023

Nahoru