Přepis řeči - Co a jak dnes počítače vidí?

0:00:15	jakou zavolat dobrý den
0:00:17	takže pouze černá se mi tě beran
0:00:20	a
0:00:21	já jsem se zeptat kolik neděli si
0:00:23	ale vidím že
0:00:25	se dá odhadnout že se jimi jsou pouze studenti zpytovat server a
0:00:32	to jsou přednášku jsem připravil tak
0:00:35	aby to byl spíš takový průlez tomuhle toho co se dneska
0:00:40	počítačové vidění dělá a na začátku bych
0:00:45	pravá strana motivoval tím že ukážu kde se dneska
0:00:49	ty ho technologie používají kde můžete ve dnešním světě vidět
0:00:55	potom bych karavaně přišel
0:00:57	takového pohledu to letnou postupů jak se s obrazovými halo noviny daty vůbec pracuje
0:01:04	a na konci
0:01:05	víra ve velmi krátké zamyšlení
0:01:09	co asi dál nás může čekat tédle oblasti
0:01:13	takže
0:01:16	když se chceme zeptat co a jak dnes počítače lidi co že náš se přednášky
0:01:21	tak jsem o tom přemýšlel jak to pochopit tak jsem si uvědomil že spíše důležité
0:01:25	setkat
0:01:26	co vlastně chceme aby počítače viděli že se my dobře víme
0:01:30	no většina z vás bych řek že ví že počítače rádi dělají to co my
0:01:33	chceme zatím dělají to co mě naučíme to co mu jak mi je naprogramujeme
0:01:39	takže co umí vidět záleží též na to co my už umíme je naučit
0:01:44	jaké algoritmy počítačového vidění umělé inteligence ostrově učení
0:01:49	vlastně dokážeme použít na obraz
0:01:53	nebo na zpracování obrazu a
0:01:55	přidání případně jaké semantic nějaké znalosti
0:01:58	takže to na nás spočítat že ví
0:02:03	a
0:02:04	iteracema přemýšlet že chceme naučit aby mu to viděli
0:02:08	tak nás to asi povede k otázce proč a třeba vlastně to cítím chceme
0:02:12	tom životě zlepšit proč
0:02:14	je potřebujem aby vlastně viděli
0:02:17	takže tím bych se začal
0:02:19	takový krátký přehled
0:02:22	proč to chcem které se to nezdá použít a
0:02:26	zlíně z nějaké míry už používá
0:02:30	jako první jsem vybral automobilový průmysl
0:02:33	to je takový přehledový obrázek všechny obrázky jsou převzaté neříkal jsem odkud řekla že je
0:02:38	hodnota to bych se zbláznil vidíte že to mám jenom obrázky
0:02:44	takže se omlouvám že jsem vykradl internet
0:02:48	tak vidíme auto které osazeno mnoha senzory
0:02:52	když se říká že počítače co vidí jako tak vás to může mást tom že
0:02:56	si řeknem a tak to je kamera
0:02:59	kamera není jediný senzor který se používá pro to aby
0:03:03	počítač nebo stojí vlastně co vnímal nějakým způsobem měřila interpretoval ten svět kolem
0:03:09	kamery jsou jenom
0:03:11	část ačkoli dneska v ní promluvit asi nejvíc
0:03:14	tak
0:03:15	bohužel tak malinko vysvětlím proč
0:03:18	jsou ještě pořád málo používané v těch
0:03:20	aplikacích protože
0:03:22	pak to no tak se nebudu
0:03:24	předně
0:03:26	takže třeba v automobilech pro mě tam r jsou především jiné senzory
0:03:32	měřáky vzdálenosti
0:03:34	rychlostí
0:03:37	past je to
0:03:38	tyto
0:03:39	senzory copak jakým způsobem ty data jsou zpracovaný to vám ukážu
0:03:45	a vyloženě se aplikaci spíš asi jste nižší to totiž to auto dneska
0:03:50	ještě pořád neděláš nic samo
0:03:52	i když někteří z vás asi znají mluvil colour které se tím pyšný že samo
0:03:56	jezdí
0:03:57	je to vínko
0:04:00	prosím
0:04:03	říkali že to má měření
0:04:07	děkuji
0:04:12	nemusíte si dělat brýle není to stavil je to furt to stejný není toho to
0:04:17	je obraz
0:04:18	dat
0:04:19	pár otázek parkovací systémy
0:04:23	některé automobilky slibuji že přijedete přeparkovat před parkovací no a vystoupit os auta vono už
0:04:29	to samo jsi že audi to ukazuje samo to najde místo zaparkuje to parkovacím domě
0:04:36	to je trošku budou z vás dneska se můžeme potkat s něčím co samo pomocí
0:04:40	měření vzdálenosti ostatní objektu dokáže naplánovat
0:04:44	to vozidlo řízení
0:04:46	a zaparkovat samo
0:04:49	můžeme se dneska push častěji setkat s autem vybaveným které pomocí kamer a nějaký radarová
0:04:56	sonaru
0:04:58	lidé ano
0:04:59	měří objekty před
0:05:01	před vozidlem takže snaží se
0:05:04	predikovat vývoj té situace s toho co vidí na nějaké predikce pohybu
0:05:10	klasifikuje jestli je to cyklista šest je to automobil nebo
0:05:15	člověk chodec
0:05:18	dokáže zastavit přibrzdit
0:05:20	zase dobře asistence nemůžeme autu dneska nechat udělat všechno sama samotný ještě ne důvěřovat nedůvěře
0:05:28	ne tomuto
0:05:30	do nočního vidění domu do nočního provozu
0:05:33	vizualizace
0:05:35	nebo měření
0:05:37	char
0:05:37	silničních
0:05:39	tak tyto systémy vám dokáží brně co volantem nebo vás udržovat pruhu když usnete lžete
0:05:45	blížit pruhu takové se snaží udržet pro budit případ
0:05:49	detekovat nebo zobrazovat na nějakém zobrazovacím zařízení
0:05:54	v živé objekty yumu objekty které
0:05:57	nějaká termokamera nebo na ty kamery s příslibem dokáže detekovat takže chodce zvířata a podobně
0:06:05	takže s tím se můžeme setkat v autech
0:06:11	další hromada aplikaci je
0:06:13	dohledových systémech takzvané sem byl jsem o monitorovací systémy
0:06:19	dneska uškodí u nás na západě u že ta dohoda šířené že máte kamery fakt
0:06:24	všude chtěl veřejných prostorách metrů náměstí rodině tam teďka nevím to číslo bych dal je
0:06:32	to skoro číslo kterýmu se nechce věřit
0:06:36	dneska už nemáme problém s tímto snímat přenášet
0:06:39	máme problém s tím to sledovat
0:06:42	obyčejný metrů vy budete mít kterýma time tři peróny a štyři vstupy do metra tam
0:06:48	může být čtyrycet kamer
0:06:50	tak
0:06:52	by tam mělo být asi čtyřicet lidí kteří to se volá hlídají tohle je
0:06:57	takže se to různě seskupuje
0:06:59	i tak ten člověk nemá šanci ten
0:07:02	operátor
0:07:04	v reálném čase sledovat čtyrycet záznamů možnými výrazy víc
0:07:08	takže zde potřebujeme zase nějaké systémy které sedí na tom video streamů
0:07:13	a nějakým způsobem
0:07:15	se snaží porozumět vidět co se vtom mě děje
0:07:17	neumí tomu porozumět
0:07:19	zcela
0:07:20	takže spíš je to dneska dělá že jsou konkrétní jakoby řešení na konkrétní problémy tady
0:07:26	vidíme zavřenej detekce os o jejich sledování představu že třeba využít k tomu že když
0:07:31	žena na teda nějaká osoba tak se dá potom dohledat jiný záznam je samej pocit
0:07:37	asi prošla
0:07:39	hodně důležitý je detekce odložený zavazadel zejména v těch velkých městech kde hrozí třeba teroristický
0:07:45	útok
0:07:46	takže sou algoritmy na detekci podložený zavazadel tady vidět
0:07:50	to zavazadlo
0:07:56	co se ještě na používá velice těchto systémech je například
0:08:00	analýza a jak výstavu té scéně konfiguraci těch lidí je tam jsou systémy dokáží detekovat
0:08:07	nějaký problém chtěl prostorách tím že se třeba zjistí že dá se zvýšil svou polohy
0:08:15	nebo že se že se stala nějaká
0:08:19	situaci kdy
0:08:21	se lidi půjdou mě běžným způsobem že systém u ní je na účet tak jak
0:08:26	se tam asi lidi pohybujou a najednou začnou dívat jinak pak zase to nějaký alarm
0:08:30	proto operátora aby se tam podíval aby zjistil co se tam děje
0:08:34	nebo se to používá na detekce detekci kdy vypadnou nějaký ty mašiny na vydávání lístku
0:08:42	nebo na to ten průchod learning machine s
0:08:47	voni potřebujou vědět že se něco pokazilo a zjistíte takže najednou se vzniká fronta najednou
0:08:52	vzniká nějaký hluk lidí
0:08:55	takže zase událost která je nezvykla a
0:08:59	systém dokáže tom útoku operátorovi pomoct
0:09:03	na to upozornit
0:09:06	jenom jednou zážitek nich aplikaci které se sejdem dělají jsou sumarizace
0:09:11	vzorový systému máte sami vidíte ze čtyřiceti common kvanta dat hodiny potřebujete tak rychle projet
0:09:19	prohlídnout něco dohledat
0:09:22	může se to sumarizovat čase že vtom jdou to bych ti ráda nechat znamená mi
0:09:26	něco co se děje
0:09:27	ovšem kohy třeba z letiště pátek na otázka neboj tady ty události už byla zima
0:09:34	se každou minutu někdo projde takže taková sumarizace v čase která se používá na jiné
0:09:38	mluví o tom netřeba nejde tak se dělá takzvaná synapse jel synapse
0:09:42	znamená že se analyzují je nejenom že se něco stalo ale ještě kde se to
0:09:46	vtom obraze stalo
0:09:48	a bodem že u sebe se sumarizovat takto nese suma nedělám na v čase
0:09:52	ale prostoru takže my dokážeme do jednoho obrázku
0:09:56	potom nebo pusu videa vložit objekty z různých času vtom no
0:10:00	takže mi ve velice krátkém čase můžeme vidět že tam vůbec někdy dneska někdo byl
0:10:05	a kolik takže víme že na tomhle obrázku vyveze způsobem jako
0:10:09	statistické informace z nějakého vy obrovskou časovou doby nevinné vteřiny máte představu
0:10:16	že tam vůbec někdo byl ad absurdum že to dohledat detaily do školy to bylo
0:10:21	tam nahoře je právě takhle to letiště zaplněny
0:10:24	dole výstup z videa který sumarizuje dělaj dělat uši na při
0:10:28	tam občas projede nějaký letadlo přes pro nějaký auto ale když to pak chceme vidět
0:10:32	rychle
0:10:34	nebo ne rychle
0:10:35	krátkém čase může se použít o to takže ty další aplikace
0:10:39	si napřed
0:10:41	medicínské aplikace
0:10:43	další hromada
0:10:45	no nulu
0:10:45	které používají medici lékaři
0:10:48	kde počítačové kdy poma
0:10:51	nacházet oblasti
0:10:54	v měkkých tkáních
0:10:56	které sou nějakým způsobem rizikové
0:11:01	mikroskopem buňka se to použít používá počítačové vidí pro sleduješ a nějaký pohyb něco se
0:11:06	něco se chce zjistit tak to umí trekovací sledovat ty buňky
0:11:10	tady jsem ukázal modelování
0:11:13	používá se docela probral prvou tak nevím správně se říká no když po nehodě je
0:11:19	nějaká to malej pro problém třeba rozbitá hlava oni potřebujou
0:11:24	vyrobit nějakou náhradní kost nebo něco
0:11:28	takže zas ty systémy
0:11:29	počet show vidění a rekonstrukce dokážou třeba ste půjdou brečet vracela ze koučovat tu druhou
0:11:35	přesně to sesadit do toho místa kde to chyby výsledek je potom opravdu třídy objektově
0:11:40	který tisknutelný takže neshladili zaživa že velice rychle a naprosto přesně vím vytvořit úzkostí která
0:11:48	někde chyby takže to je taky
0:11:50	dost úžasný co neska vtom neseděla
0:11:54	průmyslu sledování kontrola kvality
0:11:58	vybral jsem pár drobnosti sledování flašek sledování skla řešena pořádku
0:12:05	nemůže tam stát člověka poprvé dívat se na flash tímto to by vydržel dvě minuty
0:12:09	že jo
0:12:10	co sem viděl jsou zajímavé věci třeba brambůrky malý strašně rychle pás čip sama tam
0:12:15	jsou nějaké trysky který prudce fouká jdu
0:12:18	před tím že zase sobě kamera pořádková kamera která sleduje něco takovýho jako děti při
0:12:23	a dva dny okno dokáže detekovat
0:12:25	a hned to tam ty trysky milovat soukromý špatný takže o strašně rychlá filtrace špatný
0:12:30	brambůrek nemusíme na tom it lidi tím pádem sou ty brambůrky neska tak levný
0:12:36	stejnak papír to je další ve stehně osobně hrozně zaujala jsem nikdy neviděl jak v
0:12:41	obrovských
0:12:42	jak vypadá vlasy továrna na papír ve finsku to je sto metro váhala vobrovská je
0:12:48	to jeden veliký stroj kam a balíkem papír na přes všechno možný se teda vypisuje
0:12:54	varování brousí všechno je to strašně rychlí to malý
0:12:58	neruda že prostě ty procesy my jsme z nechápu a dostat ta žena ti musí
0:13:02	být zase nějaký systém který sleduje kvalita papíru křoví se na to velice pečlivý ten
0:13:07	papír nesmí mít nikdy žádnou
0:13:11	řekněme víc lidí ruku pilinu vládu takže na tom zase sedí
0:13:16	nějaké senzory kamery které obrovské rychlém čase sport analyzujou ten povrch
0:13:21	a upozorňuji nebo detekuje vás i chyby
0:13:26	asi byste našli spoustu dalších věcí zapomněl jsem sem teď sem si vzpomněl znáte s
0:13:31	automobilek tam jsou ty robotický ramena kteří to svařilo tam jsou taky s množství senzoru
0:13:36	které řídí kontrolují jestli ty ramena do svazu ve správným místě
0:13:43	robotika
0:13:46	dneska čím dál tím více snaží svět řeší problém stárnutí takže se vymýšlí systémy roboti
0:13:54	kteří dokáží
0:13:56	nějakým způsobem
0:13:58	pomáhat
0:13:59	seniorů
0:14:00	a
0:14:01	toto je ukázka
0:14:04	jakožto udělám tím že to je trošku velkej příslib začni
0:14:08	je to spíš taková reklama ne že by to byly plně funkční systémy ale hodně
0:14:13	se zde tvoří kde jsou použity systémy rok robot když je v našem prostředí musí
0:14:19	často že tomu našemu prostředí rozumně takže
0:14:22	rozumím rozeznávat nábytek lokalizovat se v tom prostoru rozeznávat člověka chápat co tečou asi potřebuje
0:14:30	velké výzkum jsou dělaný na druhou sociální tam interakce aby ten článek se cítil dobře
0:14:37	s tím robotem
0:14:40	když tak nějaké zajímavé roboti neska budou takzvaný myslím že odplul
0:14:45	jedenáctý v robotické laboratoři
0:14:48	takže můžete tam na se nahlédnout máme tam jiného robota taky zajímavého s dvouma rokama
0:14:54	s ním se snažíme taky tvoří nějaké věci
0:14:56	té robotice navíc ta se dohledové systémy ale pomocí pro no
0:15:00	přesto se to použila třeba při požárech
0:15:03	ten strom se musí nějakým způsobem sám lokalizovat aby nebyl čistě závislý na operátorovi kdyby
0:15:09	oprava mandle nebo se pokazilo spojení draw musí umět sám přistát bezpečně
0:15:14	ty drogy na sebe umím i kamery termokamery třeba takže že požár nebo když se
0:15:18	sleduje hledá nějaká osoba třeba nějaký zraněný vlezte tak se to používá
0:15:25	ještě tady na ukázka ponorka podvodních robotech
0:15:29	zase složitej ste úlohy kdy je tam špatná viditelnost to špatně se měří
0:15:36	ten povrch země
0:15:38	robot se musí něco nějaký způsob navigovat
0:15:42	operovat případně z více silnice podobnými roboty
0:15:46	opravujou nebo nebudete budou problémy na těch trubkách co je pod mořem já sem ani
0:15:53	nevěděl že pod mořem vedou takže prostitutky
0:15:56	zajímavý
0:15:58	tak dál
0:15:59	naše aplikace rekonstrukce
0:16:05	používá se asi spíš
0:16:10	s těch z
0:16:12	pro zábavu devasistent z zatím že se rekonstruuj u města pomocí těchto technologií se pak
0:16:18	dokážou mobilní zařízení lokalizovat tom městě by věděli kde se nachází
0:16:25	a pomocí technik které se použije vítejte rekonstrukci se dělají dohledávání podobnosti různých snímků jestli
0:16:31	se mnou štůs tam někde viděli a kde
0:16:34	archeology se to používá
0:16:37	jak ty nepřímo nedali čas fotek ale jsou třeba karlovy se používá měření sonarem když
0:16:45	mám nějak mě to hodně pod zemí tak ono co to stačí možná pro měří
0:16:48	to potřeba se dají pomocí těchto technik dělat rekonstruovat ty tvary geometrické tvary
0:16:54	těch objektů
0:16:56	vyhledávání podobných objektů jestli se to už někde viděl databázi se tím třeba hledají policie
0:17:02	to použila na hledání s nějakých předmětů ztracených když mají fotku do co se ztratilo
0:17:07	tak
0:17:08	tedy systémy prohledávají internet a dívej se při někde nikdo nenabízí ten předmět ukradený například
0:17:15	tak ten ukázka jak se to dělá nějaká korespondence mezi různými fotkami i když ty
0:17:22	fotky třeba nemají přímo
0:17:25	jel tech jakou lokalizační značku na sobě tak se dají zase pomoc tě vizuálních věcí
0:17:30	lokalizovat
0:17:32	vyhledávání kopí ve videu jest
0:17:35	když tahleta nejdu video dneska vám to dělá ten audio to detekuje autobusový algoritmy na
0:17:40	to aby se to poměřovat zjistil jestli to není nějakej video třeba taky nory a
0:17:45	podobně takže
0:17:46	tak se to taky používat
0:17:48	chtěl jednu věc
0:17:49	jo to jsem říkal tím kdy že tam byly dneska dokážou
0:17:53	porovnávat
0:17:55	videa jestli to není to stejny i když vidíte že ty videa my jako lidi
0:17:59	to vidíme že jsou podobní je to je že se jedná o stejný plus ale
0:18:02	algoritmicky
0:18:04	je tam spoustu problémů zkreslený hroznej kontrast nějaké další titulky a tak dál a dneska
0:18:10	ty algoritmy se snaží už toto vyřešit
0:18:13	takže dokáže pak detekovat
0:18:16	že ty filmy nebo musí vydat jsou stejné
0:18:22	tak se nám povykládal pár
0:18:26	použití kde se to neska může vidět
0:18:30	zadara vázne vona mi to s logika mohlo vypadat že
0:18:33	jsme
0:18:34	hotový jsme obklopeni vším co funguje
0:18:38	proč už teda dneska
0:18:39	jezdíme flouty bez řidičů všude
0:18:42	nemáme identifikace s common
0:18:45	proč ho pro pudeš někde něco bouchá jak to že se teroristi nedokážou najít
0:18:51	protože ještě nejsme tak dále
0:18:53	na mysli se jsme je do jisté míry obklopeni
0:18:57	vy do učení stroji
0:18:59	záleží trošku na to nebudeme havla to slovo vidoucí chtěl jsem vás trošku navést právě
0:19:04	tím úvodem na to že nejenom kamera
0:19:07	je vstup do počítače který může nějakým způsobem interpretovat ten svět
0:19:11	je totiž jsme obklopeni
0:19:13	vy si vezmete mobil
0:19:15	počítač
0:19:16	to jsou všechna zařízení to jsou stroje které mají spoustu senzoru které měří
0:19:22	něco co se týká našeho reálného světa jsou plnou svou orientaci
0:19:28	trošku vám možná nevidí do kalendáře o do mailu takže se dokážou spojovat souvislosti
0:19:33	takže něco o nařež ty počítače vidí takže sme obklopení počítači které u nás něco
0:19:38	vědí
0:19:41	ale
0:19:43	když se vrátím k těm kamera na k těm
0:19:46	senzoru tereze použili fu výše proč to ještě není úplně všude rozšířené
0:19:52	je to že zejména kamery a systémy založeny na kamera
0:19:57	nízkou spolehlivost pořád
0:19:59	oni dobře fungujou ve vědeckých článcích to sou nádherný čísla tam co se slibuje přesnost
0:20:06	ve čeho
0:20:07	ale to
0:20:08	v reálným světě grosse si držku podnikání že když to pak nasadí do rána aplikace
0:20:12	tak tom není tak dobrý že to s selhává
0:20:14	existuje strašně moc variant toho prostředí asi světelných podmínek jenom faul té když si vezmete
0:20:21	začne sněžit budem na začne pršet odlesky vodešel
0:20:26	nefunguje to potom takže tejden vyjmenovat jeden důvod
0:20:30	složité podmínky
0:20:31	nízká spolehlivost
0:20:33	a dál taky to že
0:20:37	ne všechny aplikace sou
0:20:40	bezpečné tom smyslu
0:20:44	že
0:20:47	dobré příklady toto robotický auto
0:20:49	dneska nejsou roboti chtěl tak prostě proto že když byste sedli do auta a značíte
0:20:54	tlačítko že kam chcete jet a něco se stalo tady pro za to může
0:21:00	můžete za to vím že jste tomu uvěřili nebo za to může výrobce toho auta
0:21:05	nebo výrobce nějaké t technologie se vevnitř
0:21:08	teda možnost vo život a nikdo nemůže převzít odpovědnost
0:21:12	takže u těch složitější nebo nebezpečnější situaci to stále nelze uplně nasadit it rovný neska
0:21:18	nemůžou lítat všude protože
0:21:21	ten pro může mít dvacet kilo v jeho mu spadnul na hlavu tak je také
0:21:25	tak jim jasný konec
0:21:27	a zase
0:21:29	ta bezpečnost je příliš vysoká ztráta nebezpečnost
0:21:33	a
0:21:34	a spolehlivost nízká takže to jeden z důvodů proč pořád do zatím
0:21:38	břevnov linka
0:21:40	když to už daleko si mysim ty ale
0:21:43	a vy není toho moc tak té proč neska ještě asi ne
0:21:49	tak
0:21:50	řek bych se přesunul k trošku
0:21:53	přímo obraz o tak a budu chvilku hovořit o tom jak s těma obraz a
0:21:57	má
0:21:59	pracujeme co z nich získáváme
0:22:02	jak to využívá ne
0:22:04	a potom krát se to zmíním ještě prošlo paroubková data
0:22:09	abyste měli přestavují trošku
0:22:11	o metodách
0:22:12	nebudu hovořit nebudu jmenovitě
0:22:15	doména všechny metody které tady jsou protože
0:22:19	bylo moc a asi dva stavy nebavilo
0:22:22	takže když víme co asi bysme chtěli
0:22:25	tak
0:22:27	teď musíme přemýšlet
0:22:30	jak to těm počítačům
0:22:32	na naučí nebo jaký to umožnit aby to dokázali to vidět
0:22:39	jedna z věcí které se dneska
0:22:41	daří k počítačům
0:22:43	počítače naučit je
0:22:45	no určitě vidět
0:22:46	najít něco co už jsme jednou někde viděli
0:22:51	samozřejmě nechceme
0:22:53	do bude stačí nám jen aby to bylo něco jako fotka ku fotce ta stejná
0:22:59	chceme ne stejnou fotku
0:23:01	chceme najít co jsme viděli ten reálný objekt to s ta fotka vyfotila výrazem a
0:23:07	úplně že najdeme přesně tu fotku je chceme najít to co bylo vyfoceno
0:23:11	tak obsah té fotky proto se tomu říká von ten based search že podle obsahu
0:23:18	se hledá
0:23:19	takže zjednodušené mě představa technologie máme to mám teda to si můžete přestali tak nastupoval
0:23:26	nebo internet potom a
0:23:28	milane fotku a chceme říct
0:23:30	už tady nebyl viděny už to nikdy nevyfotil máme tady něco podobnýho tenhle barák trochu
0:23:34	z jinýho úhlu
0:23:36	jiným třeba tu časovým okamžiku celá podvečera tak a přestat chceme najít podobné
0:23:42	takže
0:23:43	tohle se už dařit
0:23:45	umíme počítač naučit tady vtom plán tě dát našel něco tou sme někde viděli
0:23:55	druhá věc
0:23:58	je
0:24:00	známe struktury
0:24:02	čím se to liší
0:24:03	pro toho předchozího je to že předtím bysme chtěli najít konkrétní dům konkrétního člověka konkrétní
0:24:09	vozidlo konkrétní vozidlo ti myslím stejnej ty stejnou barvu
0:24:15	tady chceme něco jiného
0:24:16	který chceme známou strukturu toho na jakékoliv auto
0:24:20	jakýkoliv obličej
0:24:22	chceme metodu která řekne tady je člověk ne tady je pan inclusion chceme tady je
0:24:28	bruce ne
0:24:29	news
0:24:30	přesně byla škodovka trochu sedmdesát
0:24:33	stejnak s těma klíčema tady jde další volám
0:24:36	proto by se mohlo tomhle se říká detekce objektů
0:24:41	a ještě jedna taková oblast
0:24:45	je
0:24:47	snaha získat obrazu
0:24:50	tady budeme se bavit o sekvenci obrazu více obrazů které snímají
0:24:54	stejnou část scény
0:24:56	zda nějaké prostorové souvislosti
0:24:59	ještě další oblast kterou takhle se zmíním potom jak se dělá
0:25:05	používá se to pro rekonstrukci
0:25:07	případně pro lokalizaci takovém prostoru
0:25:12	ve vnitřní prostor jak se naše senzory které se používají venku nedají použít jeep hezky
0:25:18	a podobně takže to vnitřní prostor se musí používat jiné například
0:25:23	kamery obrazy získává se nějaké
0:25:26	jaký popis a ta kamera se to dokáže lokalizovat
0:25:30	tak jsou tři
0:25:31	takové
0:25:33	oblasti kterým které jsem si dovolil támle zahrnout o který bude mluvit
0:25:38	takže
0:25:40	přiložímeli počítači obraz
0:25:44	počítač o tom nic neví
0:25:45	jsou to pro něho je to pro něho matice nějaký časový hodnot
0:25:48	a nemá prvním blšany
0:25:51	význam ty hodnoty nerozumí tomu
0:25:54	takže my musíme nějakým způsobem ten obraz tomu počítači jinak interpretovat leje způsobem aby sem
0:26:00	se mu lépe pracovalo potom s těmi daty
0:26:04	takže toto je jenom obecný
0:26:08	postup
0:26:09	abys abych vám tady ukázal že máme nějaký obraz nebo kousek obrazu
0:26:15	nějakým způsobem popíšu
0:26:18	charakter toho obrazu
0:26:21	používají se hrany často nebo změny gradientu
0:26:26	proto
0:26:27	protože i člověk vlastně funguje tímhle způsobem
0:26:30	je lidské oko a lidské vnímání je zaměřeno na změny
0:26:34	vidíme hrany objektů a interpretujeme rád protože to mi přijde nějaká změna
0:26:40	přesto nás
0:26:41	ta barva nebo ten jazz zajímáš v druhém kole
0:26:45	takže
0:26:46	jak jsem popíše například i gradienty nebo
0:26:49	nebo barvu tady ukázka popisu barvy jenom jako
0:26:54	barevnost na spektru a jako úhel
0:26:57	úhel tady na tom
0:26:59	barevném spektru
0:27:01	získáme sto tím pádem nějaký příznak nějaký popis jaký vektor který specifika který popisuje část
0:27:08	obrazu nějakým specifickým způsobem
0:27:12	to znamená
0:27:13	potřebujeme převést obraz
0:27:16	z nějaké matice
0:27:17	hodnot
0:27:18	černobílých teda šedotónových ne u barevných do nějakýho jinýho
0:27:26	nějaký ne interpretace
0:27:29	to je obecný postup
0:27:32	první krok
0:27:33	který seděla je nějaká před nějaká filtrace také před zpracování těch dat který jdou přímo
0:27:38	z toho senzoru protože
0:27:40	tyto senzory tyto nebo tato data jsou často zatížený nějaký šum takže jedna z věcí
0:27:46	co se dělá odstraní šum o potlačení šumu
0:27:50	můžeme to už nějaké rozmazání mediánový filtr který zachovává vyšší frekvence
0:28:00	dalším krokem může byt nějak a segmentace tady sem
0:28:05	tak dávám obrázku ten nejzákladnější prahování
0:28:09	zase to může posloužit k porozumění obrazu tím způsobem
0:28:13	že tom obraze velmi nějaké oblasti nějaké oblasti které jsem které se děje
0:28:21	liší od ostatních tím že mají nějakou intenzitu jasu a už to něco znamená kdybych
0:28:27	když se podíváte na svět tahle tím jedním okem hned vidíte že vy byste si
0:28:31	měli prahování jsou tady žlutý židle naše tým pozadí hned by jsme viděli židle a
0:28:35	už tam nějaká informace navíc už nám říká tady sou nějaký fleky pravděpodobně objekty
0:28:41	takže informace kterou potřebujeme získat takže například pomocí prahování nebo pokročilejší algoritmy
0:28:48	řekl jsem že člověk je citlivý nahraný
0:28:51	na změnu jasu v obraze
0:28:54	takže
0:28:55	řek když jsem jedna z nejčastějších jeden z nejčastějších příznaků které se používají k počítačovým
0:29:00	vidění
0:29:01	co příznaky které využívají nějakým způsobem hrany
0:29:05	změny jasu takže máme detektory které zvýrazní obraze
0:29:10	kameru detekují
0:29:11	jakým způsobem hrany
0:29:18	ja které obrazy
0:29:20	z unárního modulů z marzu například
0:29:22	mívají
0:29:25	a kdo řekl
0:29:26	ni hrozně malý kontrast
0:29:29	tu můžeme si představit malý kontrast my bysme se podíváme na distribuci těch jasu v
0:29:33	obraze zejtra neměl moc velkej extrém takže to možná linka dobře vidět ale používá se
0:29:39	na té spektrum
0:29:41	hodnot
0:29:43	takže jsou metody které
0:29:46	zvýrazní
0:29:47	ty struktury v obraze tím že ten histogram
0:29:52	přepočítají nebo to nejde při počítají takže se využívá celé spektrum hodnot takže je to
0:29:56	potom lépe zpracovatelné
0:29:58	no viditelné
0:30:04	tak když se budeš nějakým způsobem s napřed zpracovali obraz
0:30:08	tak to chceme jakým způsobem popsat
0:30:11	a
0:30:12	jedna skupina metod které se které jsou slouží k popisu toho obrazu nějakým způsobem
0:30:17	a o to dělají globálně tudíž nějak
0:30:21	celý obrázek popíší nějakým jedním příznakem kterým říkají
0:30:26	jaké mravy se třeba distribuce barev jaké barvy se tam obrázku vyskytují případně
0:30:31	distribuci těch
0:30:32	gradientu tady na ukázka jak se pracuje s různými barevný model i že známe rgba
0:30:39	pokud si uděláme histogram nějakého obrazu rgba ty barev to často se nám stane
0:30:46	nepoužívá se to právě proto že vtom to prostoru jsou ty barvy těžko o oddělitelné
0:30:52	a nic moc nevypovídají ouvej používají se modely například a zde které dělí barevnou složku
0:30:59	zvlášť port jasových
0:31:02	složek takže potom dokážeme tak takle interpretovaný
0:31:06	obrázku interpretované know distribuci těch jasu
0:31:10	a barev lépe popsat takže když si postavena klepal takovýhle prostor kdy každá tečka znamená
0:31:17	tu jednu hodnotu v tom obraze
0:31:19	to může lépe popsat tím že to děláme co vám
0:31:22	jako urbanizaci toho netřeba třicet šest
0:31:25	chlívku spočítáme kolika těch barev bylo a dostaneme nějaký histogram jako distribuci která říká jak
0:31:30	moc která barvách obrázku byla a toto používáme jako takovou značku tom obraze příznak popis
0:31:38	byste chtěli se ptal tak předpokládám že víte že může do čehokoliv
0:31:43	dobrý barvy teďka tady s ty gradienty úplně stejným způsobem obrázku spočítám gradienty
0:31:50	a
0:31:51	v nějakých malých oblastech například si tam špatně nemalý oblastech
0:31:57	dělané celý obraz
0:31:58	takže
0:31:59	spočítáme gradiente jsem v obraze
0:32:02	a zase se sumarizujte nějakého jedno histogramu který říká kolik je tam hran takový celá
0:32:10	třicet šest takových směru kolik jich tam bylo zase máme nějakou charakteristiku celou obrazu
0:32:16	kolik tam bylo hra
0:32:19	tak
0:32:20	ale představme si
0:32:22	ještě ne
0:32:23	štyrech
0:32:26	pro něj výhodný
0:32:28	když
0:32:29	nebo dole se používá
0:32:30	bysme viděli to úlohu máme strašně moc obrázku snažil moc fotek
0:32:35	miliardu ať můžeme machrovat
0:32:39	tak takže máte fotku a chcete zařídit
0:32:41	tak
0:32:42	viděl jsem už někde
0:32:43	takhle zavolá viděl jsem už to fotku někde
0:32:46	tak pomocí dělat příznaku
0:32:49	můžeme
0:32:50	tak rychle vrátní rychle protože tu miliardu
0:32:54	poté že každá fotka je tak taky popsaná tak nějakým příznakem
0:32:57	a říct
0:32:59	kterej která fotka
0:33:01	pomoci porovnání dvou příznaků těch dvou stejně dlouhý vektoru
0:33:06	s je podobná
0:33:07	které dva vektory když už napořád euklidovskou vzdálenost nebo jinou medikův
0:33:12	jsou systémy podobné
0:33:14	tak
0:33:15	to nemůžete koroze fungovat používá se to proto ji třeba pro indexaci
0:33:20	abysme potom to dohledali jinými metodami lépe
0:33:24	jsem si vybral takovou jednu jako ukázku
0:33:27	všechny tyto obrázky
0:33:29	čtyři rumy tyto dva tyto dva vektory jak radiantů zabere stejně
0:33:33	teda vidíte že to nejsou stejný fotky
0:33:37	to je extrém
0:33:38	jsem si našel abych vás
0:33:41	kdyby vás vybudil ovál efekt
0:33:45	amen
0:33:46	i běžný to by běžných situacích
0:33:48	byste našli fotky které zobrazí něco úplně jiného a přitom mají velmi podobnou distribuci barev
0:33:54	dítě gradientu sobě
0:33:57	takže
0:33:59	nám to prostě nestačí
0:34:01	chceme najít
0:34:02	nějaké lokální popisy chceme fotku popsat jako
0:34:06	sadu nějakých
0:34:07	lokálních struktur zjednodušili svoje říct vidím fotku takže popíšu jako
0:34:12	auto jejichž člověk
0:34:17	les
0:34:20	tak
0:34:22	jak na to
0:34:26	potřebné obrázku najít nějaké
0:34:29	nějaká a nějaké
0:34:32	po to obrázky po části obrázku místa
0:34:36	která rozumnější zajímavé
0:34:37	teze si vybral tu poušť
0:34:40	abych aby ukázal
0:34:43	se pokusil vysvětlit na tom
0:34:45	prože protože to potřeba
0:34:48	kde sme se chtěli lokalizovat najít své místo na obraze na mapě
0:34:55	tak
0:34:55	potřebujeme nějaké záchytné body
0:34:58	budeme já takové nepouštěla těžko někomu řekneme že sme
0:35:02	na východ hotovi věže kostela nebo něčeho pro se tady jsem nezvulkanizuj tady sme furt
0:35:06	jenom na nějaký poradce potřeba nějaký záchytný body
0:35:09	stejnak když děláme tu analýzu obrazu
0:35:12	děláme takovou analýzu do večera někde to funguje tak že se dívá po tom obraze
0:35:17	a dívá se jestli je to poušť nedokáže o sobě nic říct
0:35:21	eště to hrana
0:35:23	role na může lepší sem někde na silnici
0:35:27	vod nekonečna do nekonečna takže už víme jsem aspoň trochu ale ještě nevím
0:35:31	zase na první nebo na štyry sta padesát kilometrů
0:35:35	takže ty metody hledaj taková místa v obraze
0:35:38	která sou opakovatelně nalezena
0:35:41	tu zatáčku dycky najdou být pole nebo té silnici tak tam zatáčka tak tam najdu
0:35:44	a ji příště zatáčka tam zbude neumím říct zatáčce
0:35:49	tak zjednodušeně popsáno jakým způsobem
0:35:52	se hledají obraze klíčové struktury
0:35:56	co na ne metody které se snaží nějakým obrázku najít místa
0:36:02	která
0:36:04	zabývejme se před přestali byly té přírodě chodím po obrázku jako ta metoda
0:36:09	až dojdu do místa jak tedy příští příště nevím no
0:36:13	je to zase ten jak se sbíhá jak potok probíhá cestu nebo je tam úzká
0:36:18	po něco
0:36:20	já vím že nejvyšší prostě přeje znovu tak to nenajdu zase a jsem zase pozdě
0:36:24	tohle místo najít stejnak to byl ty
0:36:26	vy
0:36:27	ty metody že se vracím zpátky tom obrázku
0:36:30	to bylo takže řikaj
0:36:32	tady
0:36:33	to není zajímavá struktura tady voni nevím
0:36:35	tohle příště ne
0:36:37	kdyby mohli klidně no pouze vedle
0:36:39	tady
0:36:39	to taky není zima struktura
0:36:41	že to teda tištěna nevím jestli budu tam nebo tam toto je zajímavá struktura až
0:36:46	uvidím příště jiným obrázku tak v masovém takovou strukturu znova najít
0:36:51	proto složitá detektor zájmových romů
0:36:54	za nových oblastí klíčových oblastí
0:36:58	taková metoda
0:37:00	na najde
0:37:01	ty místa
0:37:02	takže zkazit požitek invariantní vůči translaci
0:37:06	takže pozici nějaké
0:37:09	co mi na nějakém místě
0:37:11	ale to máš ty úplně stačí
0:37:13	protože my potřebujeme aby ta metoda byla schopna
0:37:16	teďka na to místo popsat
0:37:18	žen víme že když ne v nějakým obrázku někde
0:37:21	nestačí to cele říct tady v okolí je ten potok ten šutr něco nějaká struktura
0:37:28	ale my musíme jak je souzen tomu algoritmu nebo
0:37:31	to ne popisovače říct
0:37:33	já
0:37:35	velký okolí může použít
0:37:38	k tomu popisu kilometr
0:37:41	nebo kilometr
0:37:44	co zahrne do toho popisu
0:37:47	stejnak obraze potřeb ta metoda musí vidět si má vzít ale okolní nebo velké okolí
0:37:52	pokud sama umí nějaký algoritmem se říká že nezávislá naměřit že vždycky školeni na hodinku
0:37:58	stejně že
0:37:59	tak dycky ne můstek orloj najde
0:38:08	najde stejně
0:38:10	když už tam máme to místo analýzu toto měřítko tak najdeme
0:38:16	ještě směr je taky potřebujeme abysme viděli jak se natočit
0:38:19	abysme dokázali popisovat
0:38:21	spravuje kámen a vlevo je tu nikam
0:38:25	takže bys ještě musíte najít mají ten směr takže jsou orientační maria
0:38:30	tyhle způsobem dobrá jsou metody které na dokážou najít o
0:38:34	husy obrazu a nějakým způsobem popsán
0:38:36	opakovatelně mezi různými
0:38:40	obrazy
0:38:41	a můžeme to používat dal
0:38:44	dokážu popsat
0:38:45	obrázek jako seznam nějakých míst
0:38:49	tím že se
0:38:49	a mám nějak jestli to nějakou tu značku když obrázek už není popsány jedním
0:38:54	ale seznamem
0:38:55	pro každý bodík hlasů svůj podpis značku
0:39:00	takovýhle obrázek ten má zas další příznaky
0:39:02	tady jsou zobrazeny pouze ty příznaky o ty body které potom byli v obraze
0:39:07	a u s tím můžu si dělat
0:39:10	může vyhledávat
0:39:11	vidím podobný obrázek
0:39:13	vím podobný obrázek
0:39:16	rovná nula na nějaké body
0:39:18	jenom obrázku mám nějakým lidem obrázku a vidět o to stejný
0:39:22	no tak
0:39:23	vezmu jeden přiznat a dívám se na přiznat druhém obrázku
0:39:26	je nějaký podobný a je dělá korespondence to sou ty čáry dělám korespondence to jsou
0:39:32	podobné body
0:39:34	červeně jsou vyznačeny korespondence které jsou špatně
0:39:37	nejsem dycky takže by to zvládl
0:39:40	takže jsou metody tady toto dokáže
0:39:42	otřel pro vás
0:39:43	nalézt tu transformaci mezi těma dvěma obrazy
0:39:47	a říct ano je to stejný s nějakou telefonu
0:39:50	může u robotů se to používá na to na pozice
0:39:54	používá zvedne rekonstrukci
0:39:56	mám budovu
0:39:58	na podzimní toků tyhle metody dokážu najít na téhle fotce sou tyhle body
0:40:03	a té druhé fotce to sou ty stejný body takže dělám korespondence mezi tím tam
0:40:06	a
0:40:08	bohužel o téhle metody ještě navíc že u se jedná o nějakou
0:40:12	chceme získat příde informaci
0:40:14	luk prostorovou
0:40:16	takže ještě se musí to počítala kde byla asi kamera když fotila oddělení fotky
0:40:21	a neumíme pomocí někom exponenciál fotek
0:40:24	dá dohromady
0:40:26	algoritmus tedy moc obecně říkal na dočasné
0:40:29	on to za hňupa
0:40:31	a možná z toho vypadnou kde byly kamery a kde jsou nějaké body
0:40:34	byly prostoru i klíčové
0:40:37	structure formou šest
0:40:40	ne tento dům můžeme migrace sem se vo tom hovořil a dochází čas
0:40:47	ne tak tam jsou oproti tomu to postupy které se snaží nějakým způsobem
0:40:52	generalizovat
0:40:53	já jsem říkal ne konkrétní osobu ale obecně vás
0:40:57	takže můžeme takovému detektoru možná neúčinně nějaký model který bude schopen říct když uvidí kousek
0:41:03	obrázku je to dvanáct nebo ne
0:41:06	tady ukázka jak si věděla
0:41:07	nej běžně používané metody tu máte ve všech foťácích a mobile
0:41:12	je to
0:41:14	pomocí adamus tučňáka
0:41:16	metoda počítačového
0:41:18	inteligence
0:41:20	ta metoda se naučí které
0:41:23	netýkají ty značky použít ta značka zítra
0:41:27	jakým způsobem porovnávat jestli tom obrázku omezit vybere několik
0:41:33	a potom ty nebo
0:41:35	takovou sadu těch porovnávač u použije tomu aby není mi obrázek po už viděli porovnávače
0:41:41	aby všechny něm asi jo to by mohl bych si
0:41:44	tak obecně řeknou ano je to obličej
0:41:47	když je to trénujeme nějakou nějaký algoritmů nějaký model ten moje si musíme taky říká
0:41:53	co nejsou něčeho by věděl
0:41:55	že na tyhle obrázky má hlásí a no a na tyhle má asi ne
0:41:59	pomocnou se to naučí
0:42:02	a potom to funguje tam že když nám vleze nějakou fotku a na závody na
0:42:05	voliče
0:42:07	má nachystaný nějaký ten svůj detektor
0:42:10	dostane výzev obrázku
0:42:12	podívá se na ně a řekne vám tady spíš větší není vo kousek dál do
0:42:15	obou signál tam rostlinu je
0:42:17	a tam kde obličeje tak zahlásí ano tady obličej
0:42:23	sledování znám
0:42:26	hodně používané pro analýzu a detekci pohybující se objekty
0:42:30	sledování osob toto už hovořili
0:42:33	můžeme používat
0:42:36	detekci pohybující se objekt už na nesatinování kameru dokážeme dvě místa v obraze
0:42:42	takže tam pokuď tyto věci kdy kde
0:42:45	kde to mění
0:42:46	no umíme vám říct
0:42:48	že tam jsou nějaké objekty které se jídlo
0:42:50	nebo naopak můžeme
0:42:52	modelové no pozorovat pozadí jak se jí nepoznání
0:42:55	a vůči tomu pozadí že máme nějaký jiný objekty se dívají na a zase vidíte
0:43:00	zelené tečky jsou jaké příznaky
0:43:02	kde
0:43:03	se vůči
0:43:04	většině ostatních příznaků jiným způsobem lze bysme dokázal nějakým způsobem o segmentovat
0:43:10	ten obraz říct toto je toto je objekt který nás zajímá nebo se to používalo
0:43:15	stabilizaci v americe
0:43:20	toto
0:43:25	teď sem nastínil
0:43:28	postupy
0:43:29	nebo
0:43:31	roky nějaké metodě která se snaží obrázku nebo ze sekvence obrázku
0:43:36	získat nějaký
0:43:37	jiný popis našeho pixly
0:43:38	takže nám jasové hodnoty
0:43:40	takže máme různé
0:43:42	příznaky detekované objekty a tak dál
0:43:45	a teďka vy nastoupilo
0:43:48	nějaký strojové učení slouží k a jaké metody statistické
0:43:53	které
0:43:54	tyto
0:43:55	popisy obrázků podle potřeby podle aplikace konkrétního vážně a zpracovat
0:44:00	najít nějaké zvuky podobnýho
0:44:03	podobný příznaků
0:44:04	nezamítáme no a
0:44:06	klíčových technické se používají počítačovým vidění pro detekci klasifikaci rozpoznávání je ta paní bude za
0:44:14	ně hovořit
0:44:16	hluboký
0:44:17	neuronových sítí luční
0:44:21	zítra s
0:44:22	sedět ještě protože tomu hrozně moc rozumí
0:44:25	a
0:44:26	si to na dvě hodiny
0:44:29	kolik
0:44:30	dvě hodiny na to bude asi oni výživný
0:44:33	takže ten manažer něco ví co tě
0:44:36	o těch věcech dál
0:44:39	si blázen ještě je fuzzy paroubkovi na
0:44:42	a často používané v robotice automobilismu
0:44:46	kromě kamer můžeme používat senzory která měří vzdálenost tom obraze
0:44:52	vy nákladnější leda
0:44:55	senzor který vzniká paprsek vyslaný a měří na souboru je stejně
0:45:00	těchto dat a dokáže
0:45:03	tvoří
0:45:04	nějakou mapu toho prostředí
0:45:06	říká se tomu mapa obsazenosti věděl kde nic není a kde něco je a pak
0:45:11	se tam dokáže orientovat
0:45:13	další peníze který
0:45:15	je trošku dražší a lepší
0:45:19	je to že tady na zkopíroval jedna třicet dva krát nebo šedesát čtyři krát
0:45:24	takže se to točí dokola tam šedesát čtyři paprsků
0:45:27	měří ten hluk od profil
0:45:30	a my získáváme taková ta data která reprezentují jsem kolem jak je co dál
0:45:36	tyto senzory bohužel
0:45:37	ne nesou informaci o jasu je stejně jedinou ta žena nebo hodnotu pixlu nemám obraz
0:45:44	on čistě klukovi
0:45:49	na tom neví kam
0:45:51	proto používám holka
0:45:53	tam kde se vulgární orientovat
0:45:55	možná to není tam ukázat jenom tam byl
0:45:59	jezdim tam
0:46:01	co to je tý
0:46:03	jedna vyrobena mapa
0:46:04	příde mapa kompletní jako zub za tě
0:46:07	takže ty města neujezdi
0:46:10	ve městě nebo ne ve měste jezdí jenom tam byly už mluvil byly doma vytvořili
0:46:15	jakou interpretaci do světa na to jenom měří a zjišťuje si můžu tomu modelu dej
0:46:22	té kamery
0:46:24	zase získání odpovídá pomocí dvou povýšených common takže vím jak jsou kamery na sebe
0:46:30	dokáží
0:46:30	odhadnout triangulace
0:46:34	na korespondence dvou pět bodů beru vrátím z jinýho místa odhadů vzdálenost
0:46:41	nějaký bodů ve scéně zase musí stát bloků matku
0:46:45	alokováno a znamená každý pixl
0:46:49	hodnota toho pixlu annotate to ne matici není já s já jsem vám ale potom
0:46:55	jak to bylo
0:46:58	ti ne všichni známe
0:46:59	metoda která je podobná stereo znamená akorát
0:47:02	nepoužívám dva obrazy používá to že místo obrazu pro mít na nějaký
0:47:08	vzor pro scény
0:47:11	a druhá kamera a jednak a nebo s nima
0:47:14	a ten ti dá stejnej
0:47:15	vím kde byl ten projekt od toho vzoru
0:47:18	jinde kamera která lidí
0:47:20	tím že ten záznam jinak vypadá
0:47:23	tak dokážu spočítat jak se
0:47:25	body
0:47:27	nuly podle toho jak blízko byl nějaký objekt se to promítlo zase získává blokovou mapu
0:47:34	toto je úplně stejný jako tady
0:47:36	to šedi akorát že to zobrazení
0:47:39	mračno bodů třemi tady těchto metodách pracujeme značkami bodů
0:47:44	zase jako praze
0:47:45	mami máme svobodu v externě
0:47:48	potřebu nějak interpretovat nějaký sonet nebo psát nestačí měli jenom tady je jak vyvolat tady
0:47:53	nějaká holka anebo jsou dojedli
0:47:56	takže se používá push when normální
0:48:00	aby prošel mám ni nestačí nebo
0:48:03	takže používám na okolí zjistíme jaké asi
0:48:07	pozor
0:48:08	a prosím o nějakou over spočítaný bodu
0:48:11	no na ty položky okolí
0:48:14	s tímto pracuje za moc něco zase filtrovat datech budeme mít spoustu šumu
0:48:20	takže zase
0:48:21	podívám se na hodinku tam se to bylo uplně zjistím pochopíš tady už osaměli vznikl
0:48:27	pravděpodobně šumem takže tebe
0:48:29	s tebou už dál nepočítá zahodíme
0:48:32	že ho sledujeme
0:48:36	můžeme pro segmentaci takového uvedena povídat
0:48:41	ne se tam robotice používá často pro úlohy kdy můžeme předpokládat že robot
0:48:47	sedí na nějaký stůl nebo na zem chceme
0:48:51	najít objekty které na tom
0:48:53	stole nebo na zem jsou
0:48:55	odřízneme umíme najít tu plochu té toho spolku na pryč a pak nasednete objekty
0:49:02	znamená segmentovaném objekty chceme nějakým způsobem
0:49:05	zase popsat nějakým příznakem
0:49:09	nějakou
0:49:12	zajímavou spoustu na tom
0:49:14	lobují na tech se nepoužívají příliš že bysme dali ty struktury jak obraze ty zájmové
0:49:20	tady se to dělá rovnoměrně tady prostě
0:49:23	každej pátej vole se vezme spočítá se nějaká jeho charakteristika kolem používají se zase distribuce
0:49:31	techno na tom okolí jestli je to takový pohrobek hrana takže na nějakou distribucí mám
0:49:37	přiznat
0:49:38	a nebo popíšu
0:49:39	celej kus na svobodu dohromady
0:49:42	takže pak hodinu nepotřebují dní příznakem to předchozí metodou mám jen zde popsány třeba si
0:49:47	přiznat tam
0:49:48	dané se s tím pracuje je velmi podobný a von zase zopakuju korespondence
0:49:54	tom zkoušce neviděli
0:50:01	o tom co uzná ste
0:50:02	senzor pouze na jeden slajd
0:50:05	vybral jsem ty které považuju za
0:50:08	uživatelský
0:50:10	přívětivé
0:50:11	a dostatečně
0:50:13	mocné
0:50:15	operací ani nepoznáte zpracování obrazu
0:50:18	pokud si von tam library pece zpracováním přeboru rolls systém práce soboty a pak tady
0:50:25	chci nějaké knihovny
0:50:28	trénování modelů učení
0:50:31	takže na závěr
0:50:35	je otázka
0:50:37	jak to tedy je
0:50:38	sme pozorování nějakým velkým bratrem
0:50:41	ne jinak image pozice náš dismisses abysme to ještě nejsme
0:50:46	já jsem už naznačoval
0:50:48	pokud jsem zažil kamery jako to oko velkého bratra
0:50:52	tak pozorování ještě nejsme zatím
0:50:55	když blondýnku
0:50:59	to už nelze pozorování sociální hlasitě tenhleten to co se vypíše na různých na internetu
0:51:07	a vem
0:51:10	myslím že
0:51:11	nebude to dlouho to bude to tu
0:51:13	děkuji vám za pozornost

Co a jak dnes počítače vidí?

Sobota 7.11.2015 - D105

Víťa Beran (FIT VUT v Brně)