Studentská grantová soutěž - předchozí roky

Algoritmy pro virtuální, rozšířenou a smíšenou realitu III

SP2019/71

Fusek Radovan Ing., Ph.D.

doc. Dr. Ing. Eduard Sojka

01. 01. 2019 - 31. 12. 2019

Projekt se zaměřuje na hledání nových algoritmů pro zpracování obrazových, hloubkových a lidarových dat, zejména v oblasti virtuální a rozšířené reality a v oblasti detekce objektů, detekce činností, rozpoznání chování a segmentace obrazu. Kromě metod založených na matematických základech, jako jsou například grafové řezy a aplikace difuzních procesů, se zaměřujeme také na aplikaci a výzkum hlubokých neuronových sítí. Zkoumána bude možnost paralelizace vyvíjených algoritmů, zejména s využitím grafických procesorových jednotek (GPU). Kromě teoretické novosti bude brán zřetel také na aplikační způsobilost nových algoritmů. Bude preferován vývoj algoritmů použitelných v aplikacích, které jsou pro fakultu prakticky zajímavé, jako jsou například aplikace průmyslové, aplikace v inteligentních systémech řízení dopravy (např. čítání a registrace objektů, sledování trajektorií, vyhodnocování rizikového chování) a aplikace pro rozšířenou realitu. Nedílnou součástí projektu bude prezentace dosažených výsledků na světově uznávaných fórech zabývajících se danou problematikou. Také s ohledem na praktické vyžití nabytých poznatků, lze zkoumané oblastí považovat za perspektivní a naše zkušenost ukazuje prudký nárůst poptávky po výsledcích v této oblasti. Poptávka po praktických výsledcích tak stimuluje také přirozený vývoj v oblasti teoretické. V uvedených oblastech má řešitelský tým tradici a některé úspěchy v získávání průmyslových projektů. Projekt se skládá z následujících částí: 1. Metody segmentace obrazu, 2. algoritmy zpracování obrazu a virtuální reality v průmyslu a dopravě, 3. vývoj algoritmů pro zpracování hloubkových dat (LIDAR, RGBD kamery), 4. analýza a vývoj v oblasti detekce činností. Část 1: Metody segmentace obrazu Segmentace je jednou z prvních operací při analýze obrazu. Výsledky segmentace jsou zpracovávány v dalších krocích analýzy, a proto úspěšnost segmentace rozhoduje o úspěšnosti celého procesu rozpoznání. Segmentace obrazů reálného světa v žádném případě není jednoduchou záležitostí a vývoj v této oblasti nelze považovat za ukončený. Kromě segmentace klasických obrazů se stává aktuálním také segmentace hloubkových dat získaných z různých RGBD senzorů, jenž zažívají v posledních letech rozmach (Kinect, RealSense). Pro oddělení jednotlivých segmentů se využívá řada různých technik. Předmětem našeho výzkumu jsou především techniky založené na měření vzdálenosti v obrazech. Mezi naše dosavadní publikované výsledky patří modifikace tzv. difuzní vzdálenosti. Tuto vzdálenost můžeme vypočítat ze spektra matice, která popisuje vztah mezi jasy jednotlivých pixelů v obraze. Daná metoda je sice výpočetně náročná, poskytuje však zajímavé výsledky, které jsou aktuálně na vrcholu současného poznání. V projektu se budeme zabývat aplikací difuzní vzdálenosti v algoritmech segmentace obrazu. Druhou naší publikovanou vzdáleností je tzv. k-max vzdálenost jako modifikace klasické geodetické vzdálenosti. Měření geodetické vzdálenosti, tj. nejkratší cesty mezi dvěma body v grafu, je problematické v obrazech obsahujících šum. Námi představená k-max vzdálenost dokáže tento nedostatek částečně potlačit tím, že nejkratší cestu mezi dvěma body grafu definuje pouze nejvyššími vahami na dané cestě. Cílem našeho výzkumu je zdokonalování a aplikace již publikovaných vzdáleností, jako např. jejich časová a paměťová optimalizace nebo využití těchto vzdáleností v pokročilejších segmentačních metodách nebo v metodách detekce objektů. Jedním z možných vylepšení algoritmů je jejich urychlení pomocí paralelizace s využitím grafických procesorových jednotek (GPU). Dalším cílem je hledání nových vzdáleností, které by našly uplatnění v oblasti segmentace obrazu. Část 2: Algoritmy zpracování obrazu a virtuální reality v průmyslu a dopravě V oblasti průmyslové výroby se velmi často využívá kamerových systémů a to například k rozpoznáváni kvality, typu nebo počtu daných výrobků. V rámci našeho týmu jsme v minulosti spolupracovali s řadou firem, které takové algoritmy potřebovaly pro zlepšení chodu výrobních procesů. V této oblasti i spolupráci máme v plánu nadále pokračovat a vylepšovat dosavadní přístupy. Naší snahou také bude aktuální a nové přístupy publikovat na odpovídajících konferencích a v časopisech. V oblasti sledovacích dopravních systémů se jedná například o porozumění dopravní situace. V rámci takového systému je nutné aplikovat algoritmy pro detekci automobilů, čtení státních poznávacích značek nebo rozpoznání semaforů. Tato oblast také zahrnuje detekce chodců na křižovatkách a zejména v okolí automobilů. Pro takovou detekci je možné využít klasických obrazových přístupů za pomocí kamer nebo využít RGBD kamery a laserové senzory. V této oblasti jsme v minulosti publikovali celou řadu přístupů zejména pro detekci automobilů a chodců. V rámci projektu bude snaha tyto algoritmy dále vylepšovat a zejména urychlovat, tak aby bylo možné jejich nasazení v reálných situacích. V oblasti automobilového průmyslu v kombinaci s analýzou obrazu je v posledních letech velmi často zmiňována i autonomní jízda. V rámci projektu bude zaměřen výzkum i tímto směrem. Naše skupina se v posledních letech velmi intenzivně zabývá také analýzou chování řidiče v automobilu. Tato analýza zahrnuje komplexní detekci únavy řidiče a jeho zdravotního stavu. Pro tuto detekci je nutné zajistit nalezení tváře, očí a jejich částí (duhovka, zornice, oční víčka). Funkčnost za snížených světelných podmínek je jeden ze základních požadavků na takovýto detekční systém. Z toho důvodu aktuálně zkoumáme využití RGBD senzorů (Kinect, RealSense, Orbbec) a vyhodnocujeme jejich úspěšnost v takové aplikaci. V rámci projektu se předpokládá aplikace algoritmů strojového učení, především hlubokých a konvolučních neuronových sítí. Cílem je publikování dosavadních i nově získaných výsledků v této oblasti. Další problematika z oblasti automobilového průmyslu, která bude v rámci projektu zkoumána, je sledování a detekce částí těla řidiče (jedná o zjišťování pozice rukou, ramen, nohou a natočení hlavy). Systém pro tuto detekci aktuálně testujeme na různých senzorech. Podobně jako v systému pro detekci únavy a zdravotního stavu řidiče se předpokládá využití hlubokých neuronových sítí. Naším cílem je, aby tyto dva systémy v budoucnu fungovaly společně. Poslední zkoumanou částí budou algoritmy a zařízení pro rozšířenou a virtuální realitu. Jedná se o rychle se rozvíjející oblast, která postupně nalézá své uplatnění nejen v široké škále průmyslových aplikací, ale rovněž při prezentacích produktů, služeb a samozřejmě v zábavě. Hlavní pozornost bude zaměřena na algoritmy pro rozpoznání pózy zájmového objektu a následné rozšíření scény sledované skrze zařízení s průhledovým displejem o nejrůznější informace. Část 3: Vývoj algoritmů pro zpracování hloubkových dat V dnešní době mohou autonomní robotické systémy využívat pro mapování pracovního prostoru a následně pro navigaci cenově dostupné laserové skenery LIDAR a RGBD kamery (Kinect, RealSense, Orbbec, atp.). Výstupem těchto zařízení jsou 3D mračna bodů nebo hloubkové mapy. Zpracování těchto informací vyžaduje jako jednu z prvních fází zpracování provedení segmentace a filtrace změřené oblasti. Na základě získaných informací je pak následně možné provádět spojování jednotlivých změřených oblastí do jednoho celku. Výsledné globální mračno bodů je pak možno zpracovávat do mapy pracovního prostoru. V současnosti je segmentace mračen bodů prováděna převážně při sledování prostoru před autonomním robotickým systémem. Pro zpracování mračen bodů obklopujících robotický systém je potřeba tyto algoritmy upravit, případně nalézt a vyzkoušet nové způsoby segmentace. V dalším kroku bude potřeba nacházet shody mezi segmenty sousedních mračen bodů a pro tyto účely bude potřeba navrhnout a vyzkoušet nové algoritmy, které budou schopné s jistou mírou pravděpodobnosti tuto shodu nacházet. Segmentace a spojování mračen bodů bylo ověřeno v budovách. Tato situace představuje nižší stupeň obtížnosti, protože vnitřní prostory mají pravidelné tvary, pravoúhlý systém a rovné stěny i stropy. Dalším krokem výzkumu bude využití segmentace, a dle potřeby i zájmových bodů, pro spojování mračen bodů v podzemních chodbách. Jako ideální zdrojem dat je v současné době prostředí uhelných dolů. Členité a nepravidelné tvary chodeb představují komplexní problém, který bude dále zkoumán. Část 4: Detekce činností V rozšířené realitě je neodmyslitelnou části i detekce činnosti (někdy označovaná jako detekce aktivit), kdy se pomocí různých gest udávají povely případně se získávají různé informace. Základní data se získávají z RGB(D) kamer, laserových skenerů LIDAR, apod. Na získané data je většinou potřeba aplikovat filtr pro odstranění šumu a vylepšení obrazu/dat (například rozmazaní obrazu s uchováním nebo zvýraznění hran). To umožní lepší případně jednodušší následnou segmentaci a analýzu dat. Nejen pro detekci činností je vhodné prozkoumat a případně navrhnout nové techniky i v oblasti hlubokých neuronových sítí. Tyto sítě mohou zjednodušit a zautomatizovat některé kroky, jak se již osvědčilo na poli analýzy obrazu, zejména při detekci objektů. Finanční náklady na řešení Náklady na řešení jsou navrženy tak, aby prostředky byly vynaloženy především na realizaci cest na zahraniční i lokální konference a stipendia pro studenty. Pro cestovné předpokládáme náklady cca. 40 tis. Kč na jednu zahraniční konferenci. Vybrané publikace řešitelského týmu [1] Davendra, D and Zelinka, I.: GPU Based Enhanced Differential Evolution Algorithm: A Comparison between CUDA and OpenCL. Handbook of Optimization. Zelinka, I, Snasel, V and Abraham, A (eds). Intelligent Systems Reference Library Volume 38, pp. 845-867. ISBN: 978-3-642-30503-0 (2013) [2] Davendra, D., Zelinka, I., Bialic-Davendra, M., Senkerik, R. and Jasek, R.: Discrete Self-Organising Migrating Algorithm for Flow Shop Scheduling with No Wait Makespan. Mathematical and Computer Modelling. vol. 65, num 1-2, pp. 100-110. (2013) [3] Davendra, D. and Bialic-Davendra, M.: Scheduling flow shops with blocking using a discrete self-organising migrating algorithm. International Journal of Production Research, vol. 51, issue 8, pp. 2200-2218. (2013) [4] Davendra, D., Senkerik, R., Zelinka, I., Pluhacek, M. and Bialic-Davendra, M.: Utilising the chaos-induced discrete self organising migrating algorithm to solve the lot-streaming flowshop scheduling problem with setup time. Soft Computing, vol 18, num. 4, pp. 669-681 (2014) [5] Davendra, D., Senkerik, R., Zelinka, I. and Pluhacek, M.: Scatter Search Algorithm with Chaos based Stochasticity. In Proceeding of the 2014 IEEE World Congress on Computational Intelligence (WCCI), Beijing, China, 6-11 July, pp. 860 - 866. (2014). [6] Davendra, D., Zelinka, I., Metlicka, M., Senkerik, R. and Pluhacek, M.: Complex Network Analysis of Differential Evolution Algorithm applied to Flowshop with No-Wait Problem. In Proceeding of the 2014 IEEE Symposium Series on Computational Intelligence (SSCI), Orlando, Florida, USA, 9-12 Dec, pp. 65-72. (2014) [7] Metlicka, M. and Davendra, D.: Scheduling the Flowshop with Zero Intermediate Storage using Chaotic Discrete Artificial Bee Algorithm. In: Zelinka, I., Suganthan P., Chen G., Snasel V., Abraham A. and Rossler O. (Eds.) Nostradamus 2014: Prediction, Modeling and Analysis of Complex Systems, Advances in Intelligent Systems and Computing, Springer Berlin Heidelberg, pp. 141-152. (2014) [8] Metlicka, M. and Davendra, D.: Chaos-Driven Discrete Artificial Bee Colony. In Proceeding of the 2014 IEEE World Congress on Computational Intelligence (WCCI), Beijing, China, 6-11 July. pp 2947 - 2954. (2014) [9] Metlicka, M., Davendra, D., Hermann, F., Meier, M. and Amann, M.: GPU Accelerated NEH Algorithm. In Proceeding of the 2014 IEEE Symposium Series on Computational Intelligence (SSCI), Orlando, Florida, USA, 9-12 Dec, pp. 114-119. (2014) [10] Gaura, J., Sojka, E.: Normalised Diffusion Cosine Similarity and its Use for Image Segmentation, In Proceedings of the International Conference on Pattern Recognition Applications and Methods, (ICPRAM 2015), pp. 121-129, (2015) [11] Gaura, J., Sojka, E.: Resistance-Geodesic Distance and its Use in Image Processing and Segmentation, In Proceedings of the 10th International Symposium on Visual Computing (ISVC 2014), LNCS 8887 Part I, pp. 238-249 (2014) [12] Sojka, E., Gaura, J.: A Modification of Diffusion Distance for Clustering and Image Segmentation, In Proceedings of the Advanced Concepts for Intelligent Vision Systems (ACIVS 2013), LNCS 8192, pp. 480-491 (2013) [13] Krpec, J., Němec, M.: Face detection CUDA accelerating. In Proceedings of the 5th International Conference on Advances in Computer-Human Interactions (ACHI 2012), pp. 155-160 (2012) [14] Krumnikl, M., Sojka, E., Gaura, J. Fuzzy C-means stereo segmentation (2015) Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 9443, pp. 35-49. [15] Olivka, P., Krumnikl, M., Moravec, P., Seidl, D. Process of point clouds merging for mapping of a robot’s working environment (2016) Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 9842 LNCS, pp. 251-264. [16] Olivka, P., Krumnikl, M., Moravec, P., Seidl, D. Calibration of Short Range 2D Laser Range Finder for 3D SLAM Usage (2016) Journal of Sensors, 2016, art. no. 3715129, . [17] Kuncicky, R., Licev, L., Krumnikl, M., Feberova, K., Hendrych, J. Sine inverter controller with 8 bit microcontroller (2016) Advances in Electrical and Electronic Engineering, 14 (3), pp. 287-294. [18] Stebel, J., Krumnikl, M., Moravec, P., Olivka, P., Seidl, D. Neural network classification of SDR signal modulation (2016) Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 9842 LNCS, pp. 160-171. [19] Fusek, R., Sojka, E.: Distance-based descriptors and their application in the task of object detection. Lecture Notes in Computer Science, 8753, pp. 488-498. Springer International Publishing (2014) [20] Fusek, R., Sojka, E., Mozdren, K., Surkala, M.: An Improvement of Energy-Transfer Features Using DCT for Face Detection. Lecture Notes in Computer Science, vol. 8509, pp. 511-519. Springer International Publishing (2014) [21] Fusek, R., Sojka, E., Mozdren, K., Surkala, M.: Hierarchical Energy-Transfer Features. In: Proceedings of the 3rd International Conference on Pattern Recognition Applications and Methods, pp. 695-702. SciTePress, (2014) [22] Fusek, R., Sojka, E.: Gradient-DCT (G-DCT) Descriptors. In: Image Processing Theory, Tools and Applications (IPTA), pp. 134-139 (2014) [23] Mozdřeň, K., Sojka, E., Fusek, R., Šurkala, M.: Layered rc circuit model for background subtraction. In: Bebis, G., Boyle, R., Parvin, B., Koracin, D., Li, B., Porikli, F., Zordan, V., Klosowski, J., Coquillart, S., Luo, X., Chen, M., Gotz, D. (eds.) Advances in Visual Computing, Lecture Notes in Computer Science, vol. 8034, pp. 199-209. Springer Berlin Heidelberg (2013) [24] Fusek, R., Mozdren, K., Surkala, M., Sojka, E.: AdaBoost for parking lot occupation detection. Advances in Intelligent Systems and Computing, vol. 226, pp. 681-690 (2013) [25] Fusek, R., Sojka, E., Mozdren, K., Surkala, M.: Energy-Transfer Features and their Application in the Task of Face Detection. In Proceedings of the 10th International Conference on Advanced Video and Signal-Based Surveillance (AVSS), pp. 147-152 (2013) [26] Fusek, R., Sojka, E., Mozdren, K., Surkala, M.: Energy-transfer features for pedestrian detection. In: Bebis, G., Boyle, R., Parvin, B., Koracin, D., Li, B., Porikli, F., Zordan, V., Klosowski, J., Coquillart, S., Luo, X., Chen, M., Gotz, D. (eds.) Advances in Visual Computing, Lecture Notes in Computer Science, vol. 8034, pp. 425-434. Springer Berlin Heidelberg (2013) [27] Fusek, R., Sojka, E., Mozdren, K., Surkala, M.: Energy Based Descriptors and their Application for Car Detection. In VISAPP 2014 – Proceedings of the 9th International Conference on Computer Vision Theory and Applications, 1, pp. 492-499, (2014) [28] Surkala, M., Mozdren, K., Fusek, R., Sojka, E.: Layered mean shift methods. In: Kuijper, A., Bredies, K., Pock, T., Bischof, H. (eds.) Scale Space and Variational Methods in Computer Vision, Lecture Notes in Computer Science, vol. 7893, pp. 465-476. Springer Berlin Heidelberg (2013) [29] Surkala, M., Mozdren, K., Fusek, R., Sojka, E.: Hierarchical evolving meanshift. In: Image Processing (ICIP), 2012 19th IEEE International Conference on. pp. 1593-1596 (2012) [30] Surkala, M., Mozdren, K., Fusek, R., Sojka, E.: Hierarchical blurring meanshift. In: Blanc-Talon, J., Kleihorst, R., Philips, W., Popescu, D., Scheunders, P. (eds.) Advances Concepts for Intelligent Vision Systems, Lecture Notes in Computer Science, vol. 6915, pp. 228-238. Springer Berlin Heidelberg (2011) [31] Krumnikl, M., Sojka, E., Gaura, J.: A new level-set based algorithm for bimodal depth segmentation. In Proceedings of the 14th International Conference on Advanced Concepts for Intelligent Vision Systems (ACIVS), pp. 225-236 (2012). [32] Krumnikl, M., Olivka, P.: PWM nonlinearity reduction in microstepping unit firmware. Przeglad Elektrotechniczny, 88 (3 A), pp. 232-236 (2012). [33] Holusa, M., Sojka, E.: Image Segmentation Using Iterated Graph Cuts with Residual Graph. In Proceedings of the 9th International Symposium on Visual Computing (ISVC 2013), Lecture Notes in Computer Science, vol. 8033, pp. 228-237 (2013) [34] Fabian, T.: Parking lot occupancy detection using computational fluid dynamics. In Proceedings of the 8th International Conference on Computer Recognition Systems (CORES), Advances in Intelligent Systems and Computing, vol. 226, pp. 733-742 (2013) [35] Fabian, T.: A vision-based algorithm for parking lot utilization evaluation using conditional random fields. In Proceedings of the 9th International Symposium on Visual Computing (ISVC), Lecture Notes in Computer Science, vol. 8034, pp. 222-233 (2013) [36] Michalek, L., Moravec, P., Scherer, P., Sebesta, R., Dvorsky, M., Martinovic, J., Kapicak, L.: Visualization improvement of best servers areas in GSM networks. Przeglad Elektrotechniczny, 89 (2 B), pp. 261-265 (2013) [37] Dohnálek, P., Gajdoš P., Moravec, P., Peterek, T., Snášel, V.: Application and comparison of modified classifiers for human activity recognition, Przeglad elektrotechniczny,89,11,pp. 55-58 (2013). [38] Gajdoš, P., Moravec, P., Dohnálek, P., Peterek, T.: Mobile Sensor Data Classification Using GM-SOM, Advances in Intelligent Systems and Computing. Volume 210, 12, pp. 487-496 (2013). [39] Holusa, M., Sojka, E.: A k-max Geodesic Distance and its Application in Image Segmentation. In Proceedings of the 16th International Conference on Computer Analysis of Images and Patterns, pp. 618-629 (2015) [40] Olivka, P. and Hrabal, J. and Seidl, D. and Moravec, P. and Krumnikl, M.: Microcontroller peripheral mapping used to control RGB LED panel. In Proceedings of 13th IFAC and IEEE Conference on Programmable Devices and Embedded Systems, PDES 2015, pp. 436-441 (2015) [41] Krumnikl, M. and Moravec, P. and Olivka, P. and Seidl, D.: EM410x RFID cloned card detection system. In Proceedings of the 5th International Conference on Pervasive and Embedded Computing and Communication Systems, PECCS 2015, pp. 76-82 (2015) [42] Gaura, J., Sojka, E.: Resistance-Geodesic Distance and Its Use in Image Segmentation . International Journal on Artificial Intelligence Tools, Volume 25, Issue 5, 1 October 2016, Article number 1640002 (2016) [43] Olivka, P. and Krumnikl, M. and Moravec, P. and Seidl, D.: Calibration of Short Range 2D Laser Range Finder for 3D SLAM Usage. Journal of Sensors, Volume 2016, Article number 3715129 (2016) [44] Moravec, P. and Krumnikl, M. and Olivka, P. and Seidl, D.: Connecting household weather sensors to IoT world. In Proceedings of the 15th IFIP TC8 International Conference on Computer Information Systems and Industrial Management, CISIM 2016, pp. 603-616 (2016) [45] Olivka, P. and Krumnikl, M. and Moravec, P. and Seidl, D.: Process of point clouds merging for mapping of a robot’s working environment. In Proceedings of the 15th IFIP TC8 International Conference on Computer Information Systems and Industrial Management, CISIM 2016, pp. 251-264 (2016) [46] Hrabal, J. and Seidl, D. and Krumnikl, M. and Moravec, P. and Olivka, P.: The radio direction finding with advantage of the software defined radio. In Proceedings of the 15th IFIP TC8 International Conference on Computer Information Systems and Industrial Management, CISIM 2016, pp. 720-728 (2016) [47] Stebel, J. and Krumnikl, M. and Moravec, P. and Olivka, P. and Seidl, D.: Neural network classification of SDR signal modulation. In Proceedings of the 15th IFIP TC8 International Conference on Computer Information Systems and Industrial Management, CISIM 2016, pp. 160-171 (2016) [48] Šurkala, M., Fusek, R., Holuša, M., Sojka, E.: Hierarchical fast mean-shift segmentation in depth images. In Proceedings of the 17th International Conference on Advanced Concepts for Intelligent Vision Systems, ACIVS 2016, pp. 441-452 (2016) [49] Fusek, R., Sojka, E.: Energy transfer features combined with dct for object detection. Signal, Image and Video Processing, Volume 10, Issue 3, 1 March 2016, pp. 1-8 (2016) [50] Vantuch, T., Gaura, J., Misak, S., Zelinka, I.: A complex network based classification of covered conductors faults detection. Advances in Intelligent Systems and Computing, 535, pp. 278-286 (2017) [51] Holuša, M., Sukhanov, A., Sojka, E.: Image segmentation based on solving the flow in the mesh with the connections of limited capacities. In Proceedings of the 14th International Conference on Image Analysis and Recognition, ICIAR 2017, pp. 163-170 (2017) [52] Holuša, M., Sojka, E.: The k-max distance in graphs and images. Pattern Recognition Letters, volume 98, pp. 103-109 (2017) [53] Moravec, P. and Krumnikl, M.: Developing countermeasures against cloning of identity tokens in legacy systems. In Proceedings of the 16th IFIP TC8 International Conference on Computer Information Systems and Industrial Management, CISIM 2017, pp. 672-684 (2017) [54] Vantuch, T., Fulneček, J., Holuša, M., Mišák, S., Vaculík, J.: An examination of thermal features' relevance in the task of battery-fault detection. Applied Sciences (Switzerland), 8 (2), Article number 182 (2018) [55] Holý, B.: Registration of Lines in 2D LIDAR Scans via Functions of Angles. Engineering Applications of Artificial Intelligence, 67, pp. 436-442 (2018) [56] Holuša, M., Sojka, E.: On the Stability of the k-Max Distance to the Position of Seeds. In Proceedings of the 25th IEEE International Conference on Image Processing, ICIP 2018, pp. 261-265 (2018) [57] Krumnikl, M. and Bainar, P. and Klímová, J. and Kožusznik, J. and Moravec, P. and Svatoň, V. and Tomančák, P.: SciJava interface for parallel execution in the ImageJ ecosystem. In Proceedings of the 17th International Conference on Computer Information Systems and Industrial Management, CISIM 2018, pp. 288-299 (2018) [58] Simkanič, R.: Matrix Descriptor of Changes (MDC): Activity Recognition Based on Skeleton. In Proceedings of the 19th International Conference on Advanced Concepts for Intelligent Vision Systems, ACIVS 2018, pp. 14-25 (2018) [59] Fusek, R.: Pupil localization using geodesic distance. In Proceedings of the 13th International Symposium on Visual Computing, ISVC 2018, pp. 433-444 (2018)

Ing. David Seidl, Ph.D.
Mgr. Ing. Michal Krumnikl, Ph.D.
Ing. Martin Němec, Ph.D.
Ing. Pavel Moravec, Ph.D.
Ing. Petr Olivka, Ph.D.
Ing. Tomáš Fabián, Ph.D.
Ing. Jan Gaura, Ph.D.
Ing. Michael Holuša, Ph.D.
Ing. Radovan Fusek, Ph.D.
Ing. Magdalena Metlická
Ing. Radek Simkanič, DiS
Ing. Patrik Herák
Ing. Petra Svobodová
Bc. Petr Hrdina
Bc. Radek Huber
Bc. Tomáš Grutman
Bc. Martin Urbánek
Bc. Vítězslav Částka
Bc. Radek Rozkošný
Bc. Adam Koniar
Bc. Lukáš Machala
Bc. Michal Břemek
Ing. Daniel Trnka
Bc. Jan Kratochvíl
Bc. Jan Trubač
Bc. Jakub Ranosz
Ing. Petr Kuča
Bc. Miroslav Šuráb
Bc. Tomáš Král
Bc. Marek Kneys
Bc. Jan Pecník
Ing. Marek Šimoník
Ing. Vojtěch Ihn
Ing. Vít Doleží
Bc. David Kuchař
Bc. Petr Noga
Bc. Štěpán Drozdek
Ing. Markéta Faltýnková
Bc. Pavel Ptáček
Ing. Marcel Koniar
Bc. Lukáš Mrvečka
Ing. Marek Ulip
Bc. Lukáš Valíček
Bc. Adam Maják
Bc. Marcel Jurišta
Bc. Michal Falát
Ing. Tomáš Anlauf
Bc. Jan Křístek
Ing. Petr Dolejší
Bc. Michal Jež
Bc. Libor Imrich
Ing. Jakub Halman
Bc. Jan Pyszko
David Valenta
Bc. Ing. Stanislav Sehnal
Ing.Bc. Petr Bednář
Bc. Adam Zahatlan
Jakub Kajfosz
Bc. Martin Prajka
doc. Dr. Ing. Eduard Sojka

Algoritmy zpracování obrazu v průmyslových a dopravních systémech s využitím hlubokých neuronových sítí. Vizualizace v prostředí virtuální a rozšířené reality. Nové algoritmy pro segmentaci obrazu, zejména algoritmy založené na měření vzdáleností v obrazech. Rozpoznání objektů s pomocí LIDARových mračen a hloubkové mapy z RGBD kamer, paralelní varianty výše uvedených algoritmů. Publikace ve výše uvedených oblastech.