Fast Analysis of Borders in Image

Táto práca sa zameriava na problém detekcie hrán v prirodzených obrazoch pri zachovaní vysokej rýchlosti pre spracovanie obrázku. Najprv sa analyzujú existujúce prístupy a z nich sa extrahujú príslušné informácie. Táto informácia sa potom použije na navrhnutie dvoch architektúr, ktoré používajú konvolučné neurónové siete. Jedna architektúra je založená na RCF a obohacuje výstup, zatiaľ čo druhá je kombináciou RCF a RCN. Táto kombinácia poskytuje lepšie vzorkovanie a ešte viac obohacuje výstup. Vyhodnotenie sa uskutočnilo na dátovej sade BSDS500 a najlepší výsledok sa dosiahol pre model, ktorý kombinoval RCF a RCN so skóre ODS 0,675.This thesis focuses on the problem of detecting edges in natural images while maintaining high performance per image. First, the existing approaches are analysed and from them the relevant information is extracted. This information is then used to design two architectures that use convolutional neural networks. One architecture is based on RCF and enriches the output, while the other is a combination of RCF and RCN. This combination provides better up-sampling and enriches the output even more. Evaluation was performed on the BSDS500 dataset and the best result was for achieved for the model that combined RCF and RCN with an ODS score of 0.675.