Schválené projekty 2016

Rozdělení přidělené dotace z MŠMT na specifický vysokoškolský výzkum po fakultách se zohledněním celoškolských pracovišť na rok 2016

Celková přidělená částka z MŠMT na specifický vysokoškolský výzkum na VŠB-TUO - 55 896 914 Kč

Z toho 2.5% - 1 397 423 Kč - úhrada způsobilých nákladů spojených s organizací SGS

fakulta přidělená částka v Kč
FBI  1 270 231
EKF  4 459 400
FAST  2 765 016
FS  9 344 371
FEI 13 781 413
HGF  5 130 549
FMMI  7 000 000
VC 10 748 511
CELKEM 54 499 491

KódSP2016/58
Název projektuAlgoritmy pro zpracování obrazových a lidarových dat v průmyslových a dopravních aplikacích III
ŘešitelGaura Jan Ing., Ph.D.
Školitel projektudoc. Dr. Ing. Eduard Sojka<br />
Období řešení projektu01.01.2016 - 31.12.2016
Předmět výzkumuPředkládaný projekt navazuje na projekt SGS 2015 stejného autorského týmu. Projekt se zaměřuje na hledání nových algoritmů v oblasti zpracování obrazových a lidarových dat, zejména pak v oblasti detekce objektů a segmentace obrazu (segmentace obrazu je významný a obtížný krok analýzy obrazu, při němž jsou z obrazu extrahovány potenciálně zajímavé útvary, které jsou pak následně rozeznávány). Pozornost bude orientována zejména na další výzkum a uplatnění metod založených na matematických základech, jako jsou například grafové řezy, podmíněná náhodná pole (CRF) a aplikace difuzních procesů. Zkoumána bude možnost paralelizace vyvíjených algoritmů, zejména s využitím grafických procesorových jednotek (GPU). V neposlední řadě bude probíhat vývoj algoritmů pro plánovaní a logistiku zaměřený na využití GPU.

Kromě teoretické novosti bude brán zřetel také na aplikační způsobilost vyvíjených algoritmů. Bude preferován vývoj algoritmů použitelných v aplikacích, které jsou pro fakultu prakticky zajímavé, jako jsou například aplikace průmyslové a aplikace v inteligentních systémech řízení dopravy (např. čítání a registrace objektů, sledování trajektorií, vyhodnocování rizikového chování). Nedílnou součástí projektu bude prezentace dosažených výsledků na světově uznávaných fórech zabývajících se danou problematikou. Uvedené oblasti lze považovat za perspektivní. Naše zkušenost ukazuje prudký nárůst poptávky po výsledcích v této oblasti. Poptávka po praktických výsledcích stimuluje také 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. Nové metody segmentace a analýzy obrazu a jejich paralelizace,
2. vývoj a aplikace algoritmů zpracování obrazu v průmyslu a dopravě,
3. vývoj algoritmů pro zpracování LIDARových dat,
4. vývoj rámce pro algoritmy plánování a logistiky založeného na GPU.

Část 1: Nové metody segmentace a analýzy obrazu a jejich paralelizace

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. Pro oddělení jednotlivých segmentů se využívá řada různých technik. V zásadě můžeme říci, že po dané technice chceme, aby měřila vzdálenost po obrazové funkci. Této definici dobře odpovídá tzv. difuzní vzdálenost. 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.

V obrazech lze aplikovat i jiné druhy vzdáleností, které jsou založené na známých a používaných metrikách. Mezi známé a často používané metriky patří geodetická vzdálenost, která počítá vzdálenost na základě vlastností celé trasy mezi body. Tato vzdálenost je však citlivá na šum v obraze, který může znepřesnit vypočtenou hodnotu vzdálenosti. Proto jsme představili tzv. k-max vzdálenost, která je vůči obrazovému šumu odolnější. Cílem našeho výzkumu je zdokonalování představené vzdálenosti a také její aplikace v technikách segmentace obrazu, např. v kombinaci s difúzní vzdáleností nebo v segmentačních metodách založených na minimalizaci funkcionálu s využitím vzdálenostních transformací.
V neposlední řadě se inspirujeme i modely užívanými pro simulaci fyzikálních procesů (analýza proudění tekutin) a pokusíme se je aplikovat v oblasti zpracování obrazu.

Současně s vývojem nových algoritmů se chceme zabývat i možností jejich paralelizace, zejména paralelizace s využitím grafických procesorových jednotek (GPU). Paralelizace s využitím GPU je ekonomicky výhodná, a proto pro praxi perspektivní. Při nízké ceně je počet procesorů v GPU dnes již značný, a proto lze na využití GPU pohlížet jako na nové paradigma v oblasti výpočtů nejrůznějšího typu. Přínosy v této oblasti jsou proto velmi dobře publikovatelné.

Část 2: Vývoj a aplikace algoritmů zpracování obrazu v průmyslu a dopravě

Oblast průmyslových a dopravních systémů jsou aktuálně diskutovaným tématem. K porozumění dopravní situace a případně k jejímu následnému řízení je nutné zajistit její kvalitní popis. Dopravní situace může být sledována pomocí statických kamerových systémů umístěných např. na křižovatkách nebo z vozidel samotných, která jsou vybavena kamerou a příslušným počítačovým vybavením. Řešené úlohy mohou zahrnovat např. čítání a registraci objektů, sledování trajektorií, vyhodnocování rizikového chování atd.

V rámci našeho týmu je aktuálně řešena i analýza chování řidiče v samotném automobilu. K tomu účelu jsme vyvinuli dva systémy. První software je určen k detekování pozic jednotlivých částí těla řidiče (ruce, hlava, ramena, lokty) za pomocí nové verze Kinect senzoru. V rámci projektu je v plánu další rozvoj toho systému a zejména jeho otestování v kombinaci s novým senzorem RealSense. Druhý systém vyhodnocuje směr pohledu řidiče. K tomu je zapotřebí precizní detekce očí, zorniček a duhovek. Obrazy pro tuto detekci mohou být také pořízeny za pomocí senzoru RealSense. Další naše cíle v této oblasti zahrnují experimentování, vyhodnocování a publikování dosažených výsledků. Nasbíraných dat z obou systémů může být veliké množství a je navíc často nezbytné je zpracovávat v reálném čase pro účely okamžitých opatření. Nezbytné bude proto řešit i problematiku zpracování takto rozsáhlých obrazových dat. I zde předpokládáme využití GPU.

Důležitým požadavkem na průmyslové aplikace je jejich schopnost vyhodnocovat obrazy v reálném čase. Zároveň by tyto systémy měly poskytovat co nejpřesnější výsledky. Pro splnění těchto požadavků se zaměříme na rozvoj metod založených na příznacích, které jsou v oblasti detekce a rozpoznávání úspěšně užívány řadu let a jsou schopny pracovat v reálném čase. V posledních letech náš tým vyvinul nové příznaky, které jsou inspirovány fyzikálními modely. Tyto příznaky byly publikovány na zahraničních konferencích, kde bylo konzultováno jejich další možné vylepšení. Vylepšování těchto příznaků a zejména urychlování pomocí GPU je naším dalším cílem.

Část 3: Vývoj algoritmů pro zpracování LIDARových dat

V dnešní době mohou autonomní robotické systémy využívat pro mapování pracovního prostoru a následně pro navigaci, cenově dostupné laserové skenery. Výstupem těchto zařízení jsou 3D mračna bodů. Zpracování těchto informací vyžaduje jako jednu z prvních fází zpracování provedení segmentace 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.

Část 4: Vývoj rámce pro algoritmy plánování a logistiky založeného na GPU

V oblasti evolučních algoritmů, zejména v oblasti, která je založena na permutacích kombinatorické optimalizace, je výpočetně nejnáročnější operace vyhodnocení fitness funkce. Přibližně 70 - 80% doby běhu výpočtu je stráveno touto operací [1]. Pokud jde o lokální implementaci vyhledávání, výpočetní zátěž se dále zvyšuje na přibližně 90% [2]. Proto je jedním ze základních vylepšení, která mohou být provedena, urychlení a paralelizace výpočtu fitness funkce.

Hlavním cílem této části projektu bude vývoj algoritmů pro řešení problémů plánování a logistiky založených na CUDA a OpenCL implementacích. Plánovací problém flowshop již byl úspěšně vyvinut [3], a proto bude další výzkumným zaměřením vývoj algoritmů pro následující plánovací problémy: flowshop with blocking, flowshop with no-wait a lot-streaming. Pro logistické problémy pak: capacitated vehicle routing a quadratic assignment.

Výstupem této části bude efektivní multiproblémový rámec, který bude možno využít ve spojení s různými evolučními algoritmy pro vyhodnocení fitness funkce. Tento rámec by měl být dostatečně univerzální pro použití na grafických akcelerátorech NVIDIA.

[1] Czapinski, M. and Barnes, S.: Tabu search with two approaches to parallel flowshop evaluation on cuda platform. Journal of Parallel and Distributed Computing, 71, pp. 802–811 (2011)

Vybrané publikace řešitelského týmu:

[2] Davendra, D, Gaura J, Bialic-Davendra, M. and Senkerik, R.: Cuda Based Enhanced Differential Evolution: A Computational Analysis. Proceedings 27th European Conference on Modelling and Simulation. Bye, R and Zhang, H (eds), pp. 386-392. ISBN: 978-0-9564944-6-7 (2012).

[3] 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)

[4] 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)

[5] Senkerik, R., Oplatkova, Z., Zelinka, I. and Davendra, D.: Synthesis of Feedback Controller for Three Selected Chaotic Systems by Means of Evolutionary Techniques - Analytic Programming. Mathematical and Computer Modelling, vol. 57, number 1-2, pp. 57-67. (2013)

[6] 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)

[7] Pluhacek, M., Senkerik, R., Davendra, D., Kominkova Oplatkova, Z. and Zelinka, I.: On the behavior and performance of chaos driven PSO algorithm with inertia weight . Computers and Mathematics with Applications, vol. 66, issue 2, pp. 122-134. (2013)

[8] 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)

[9] Senkerik, R., Oplatkova, Z., Zelinka, I., Chramcov, B., Davendra, D. and Pluhacek, M.: Utilization of analytic programming for the evolutionary synthesis of the robust multi-chaotic controller for selected sets of discrete chaotic systems. Soft Computing, vol 18, num. 4, pp. 651-668 (2014)

[10] Senkerik, R., Pluhacek, M., Davendra, D., Zelinka, I. and Kominkova, Z.: Chaos driven evolutionary algorithm: A new approach for evolutionary optimization. Soft Computing, vol 18, num. 4, pp. 651-668 (2014)

[11] Senkerik, R., Pluhacek, M., Zelinka, I., Davendra, D. and Kominkova, Z.: Chaos Enhanced Differential Evolution in the Task of Evolutionary Control of Selected Set of Discrete Chaotic Systems. The Scientific World Journal. Accepted. 12 pages, 2014. doi:10.1155/2014/836484

[12] Zelinka, I., Davendra, D., Senkerik, R., Pluhacek, M.: Investigation on evolutionary predictive control of chemical reactor. Journal of Applied Logic. Accepted. http://dx.doi.org/10.1016/j.jal.2014.11.009

[13] 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).

[14] Stauffer, M., Ryter, R., Davendra, D., Dornberger, R. and Hanne, T.: A Genetic Algorithm with an embedded Ikeda Map applied to an order picking problem in an multi aisle warehouse. In Proceeding of the 2014 IEEE Symposium Series on Computational Intelligence (SSCI), Orlando, Florida, USA, 9-12 Dec, pp. 53-58. (2014)

[15] 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)

[16] Pluhacek, M., Senkerik, R., Davendra, D. and Zelinka, I.: Gathering Algorithm: A New Concept of PSO based Metaheuristic with dimensional mutation. In Proceeding of the 2014 IEEE Symposium Series on Computational Intelligence (SSCI), Orlando, Florida, USA, 9-12 Dec, pp. 42-47. (2014)

[17] 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)

[18] 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)

[19] 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)

[20] 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)

[21] 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)

[22] 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)

[23] 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)

[24] Krumnikl, M., Sojka, E., Gaura, J.: Modified fuzzy C-means as a stereo segmentation method. In Proceedings of the 3rd International Conference on Pattern Recognition Applications and Methods (ICPRAM), pp. 40-47 (2014)

[25] Ličev, L., Krumnikl, M., Škuta, J., Babiuch, M., Farana, R.: Advances in the development of an imaging device for plaque measurement in the area of the carotid artery, Biotechnology and Biotechnological Equipment, vol. 28, pp. 355-359 (2014)

[26] 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)

[27] 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)

[28] 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)

[29] Fusek, R., Sojka, E.: Gradient-DCT (G-DCT) Descriptors. In: Image Processing Theory, Tools and Applications (IPTA), pp. 134-139 (2014)

[30] 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)

[31] Mozdren, K., Styskala, V.: Cameras as a Tool for Minimalization of Damage on Railway Electrication and Safety System. 12th International Scientifc Conference on Electric Power Engineering (EPE), pp. 558-560 (2011)

[32] 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)

[33] 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)

[34] 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)

[35] 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)

[36] 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)

[37] 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)

[38] 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)

[39] 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).

[40] Krumnikl, M., Olivka, P.: PWM nonlinearity reduction in microstepping unit firmware. Przeglad Elektrotechniczny, 88 (3 A), pp. 232-236 (2012).

[41] Milata, M., Krumnikl, M., Moravec, P.: On the usability of vehicle-to-roadside communications using IEEE 802.11b/g unplanned wireless networks. In Proceedings of the International Conference on Digital Information Processing and Communications (ICDIPC), pp. 167-177 (2011)

[42] Holusa, M., Sojka, E.: Object Detection from Multiple Images based on the Graph Cuts. In Proceedings of the 8th International Symposium on Visual Computing (ISVC 2012), Lecture Notes in Computer Science, vol. 7431, pp. 262-271 (2012)

[43] 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)

[44] 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)

[45] 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)

[46] Fabian, T., Gaura, J., Kotas, P.: Iris localization and extraction algorithm from an eye image. International Journal of Signal and Imaging Systems Engineering (IJSISE), 5(2):69–77 (2012)

[47] Seidl, D., Koštial, P., Jančíková, Z., Ružiak, I., Rusnáková, S., Farkašová, M.: Modal analysis - Measurements versus FEM and artificial neural networks simulation, Communications in Computer and Information Science, Volume 188 CCIS, Issue PART 1, s. 170-175, ISSN 18650929, ISBN 978-364222388-4 (2011)

[48] Seidl, D., Koštial, P., Jančíková, Z., Rusnáková, S.: Vibration of composite plate – Mathematical modelling and experimental verification by ESPI, Communications in Computer and Information Science, Volume 188 CCIS, Issue PART 2, s. 322-328, ISSN 18650929, ISBN 978-364222409-6 (2011)

[49] Olivka, P., Novak, P.: 3D Mapping OF Rooms Using 2D Laser Scanner. In Sborník vědeckých prací Vysoké školy báňské - Technické univerzity Ostrava. Řada strojní. Vol. 2, pp. 155-160, Vysoká škola báňská - Technická univerzita Ostrava (2010)

[50] Olivka, P., Krumnikl, M.: Software controlled high efficient and accurate microstepping unit for embedded systems. In Communications in Computer and Information Science, Part 2, pp. 138-146. Springer Berlin (2011)

[51] 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)

[52] Dvorsky, M., Michalek, L., Moravec, P., Sebesta, R.: Improved GSM-based localization by incorporating secondary network characteristics. Lecture Notes in Computer Science, 7291 LNCS, pp. 139-144 (2012)

[53] Gajdoš, P., Moravec, P.: Intruder data classification using GM-SOM. Lecture Notes in Computer Science, 7564 LNCS, pp. 92-100 (2012)

[54] 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).
[55] 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).

[56] 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)
Členové řešitelského týmuIng. Martin Barteček
Bc. Jakub Bílý
Bc. Petr Bláha
doc. MSc. Donald David Davendra, Ph.D.
Ing. Tomáš Fabián, Ph.D.
Ing. Radovan Fusek, Ph.D.
Ing. Jan Gaura, Ph.D.
Ing. Jan Gaura, Ph.D.
Ing. Michael Holuša, Ph.D.
Ing. Branislav Holý
Ing. Josef Hrabal
Bc. Petr Kalandra
Bc. Patrik Klement
Bc. Petr Kresta
Mgr. Ing. Michal Krumnikl, Ph.D.
Ing. Roman Mátl
Ing. Magdalena Metlická
Ing. Pavel Moravec, Ph.D.
Bc. Filip Moták
Ing. Martin Němec, Ph.D.
Ing. Petr Olivka, Ph.D.
Bc. Jiří Pyszko
Ing. David Seidl, Ph.D.
doc. Dr. Ing. Eduard Sojka
Ing. Milan Šurkala
Ing. Petra Svobodová
Bc. Vojtěch Zdzieblo
Specifikace výstupů projektu (cíl projektu)Nové algoritmy pro segmentaci obrazu, zejména algoritmy založené difuzi a grafových řezech, algoritmy pro výpočet příznaků. Segmentace LIDARových mračen, paralelní varianty výše uvedených algoritmů. Publikace ve výše uvedených oblastech. Algoritmy pro řešení praktických úloh v průmyslových a dopravních systémech. Algoritmy pro řešení problémů plánování a logistiky.

Rozpočet projektu - uznané náklady

NávrhSkutečnost
1. Osobní náklady
Z toho
4690,-4690,-
1.1. Mzdy (včetně pohyblivých složek)3500,-3500,-
1.2. Odvody pojistného na veřejné zdravotně pojištění a pojistného na sociální zabezpečení a příspěvku na státní politiku zaměstnanosti1190,-1190,-
2. Stipendia125810,-128000,-
3. Materiálové náklady0,-0,-
4. Drobný hmotný a nehmotný majetek60000,-86742,-
5. Služby81500,-83221,-
6. Cestovní náhrady232000,-201347,-
7. Doplňkové (režijní) náklady max. do výše 10% poskytnuté podpory56000,-56000,-
8. Konference pořádané VŠB-TUO k prezentaci výsledků studentského grantu (max. do výše 10% poskytnuté podpory)0,-0,-
9. Pořízení investic0,-0,-
Plánované náklady560000,-
Uznané náklady560000,-
Celkem běžné finanční prostředky560000,-560000,-