|
|
Vliv barevných modelů na chování konvolučních neuronových sítí
Šimunský, Martin ; Doležel, Petr (oponent) ; Škrabánek, Pavel (vedoucí práce)
Diplomová práce zkoumá aktuální poznatky týkající se vlivu barevných modelů na chování konvoluční neuronové sítě. Na základě poznatků je proveden experiment na toto téma se šesti barevnými modely RGB, HSV, CIE 1931 XYZ, CIE 1976 L*a*b*, YIQ a YCbCr a hlubokou konvoluční neuronovou sítí ResNet-101. Barevný model RGB dosáhl v tomto experimentu nejvyšší přesnosti klasifikace, model HSV nejnižší.
|
|
|
Detekce pohybujících se objektů ve videu s využitím neuronových sítí pomocí Android aplikace
Mikulec, Vojtěch ; Kiac, Martin (oponent) ; Myška, Vojtěch (vedoucí práce)
Tato diplomová práce se zabývá zrealizováním funkčního řešení problematiky klasifikace účastníků dopravního provozu pomocí mobilních zařízení s operačním systémem Android. Cílem je vytvořit Android aplikaci, která klasifikuje vozidla v reálném čase za použití zadní kamery a ukládá časové značky klasifikace. Testování probíhá převážně na vlastní, různě modifikované datové množině. Je natrénováno celkem pět modelů a změřeno zatížení hardwaru při použití každého z nich. Nejlepší přesnosti klasifikace dosahuje předtrénovaný model sítě MobileNet, který je dotrénován o 6 tříd – 62,33 %. Výsledky jsou shrnuty a v závěru je formulováno, jakým způsobem je možné rychleji a přesněji analyzovat dopravní data.
|
|
|
Design of learning and equipment module using AI on Raspberry PI and Intel Movidius platform
Macko, Tomáš ; Richter, Miloslav (oponent) ; Janáková, Ilona (vedoucí práce)
This bachelors thesis describes the process of implementing trained neural network model to AI accelerator - Intel Movidius. The first chapter is about machine learning and computer vision theory. The second chapter describes the options which can be chosen for programming of convolutional neural networks as programming language or related libraries which suit the most. The third and fourth chapters are highly connected. They describe the whole process of hardware installation and troubleshooting of software issues during installation. The next chapter shows previews of images, which are used as data input for neural network. Next pages describe used scripts and models of neural networks which were created from scratch. The last chapters are all about measured datas during the training or testing of neural networks and its evaluation.
|
|
|
Food classification using deep neural networks
Kuvik, Michal ; Přinosil, Jiří (oponent) ; Burget, Radim (vedoucí práce)
The aim of this thesis is to study problems of deep convolutional neural networks and the connected classification of images and to experiment with the architecture of particular network with the aim to get the most accurate results on the selected dataset. The thesis is divided into two parts, the first part theoretically outlines the properties and structure of neural networks and briefly introduces selected networks. The second part deals with experiments with this network, such as the impact of data augmentation, batch size and the impact of dropout layers on the accuracy of the network. Subsequently, all results are compared and discussed with the best result achieved an accuracy of 86, 44% on test data.
|
|
| |
|
|
Anatomy based landmark detection in brain CT scans
Krajčiová, Alexandra ; Harabiš, Vratislav (oponent) ; Jakubíček, Roman (vedoucí práce)
Manual detection of anatomical landmarks from head CT (Computed Tomography) scans is time-consuming task prone to observer errors. In addition, the accuracy of the detection correlates with image quality. The aim of this work is to create an algorithm that will perform automatic detection of anatomical landmarks. These landmarks can be later used to form radiological lines, which finds its application in CT scanning. SVM (Support Vector Machines) and HOG (Histograms of Oriented Gradients) features was chosen for anatomical landmark detection. The achieved results, possibilities of further progress and improvement of detection are summarized in the conclusion.
|
|
|
Segmentační metody ve zpracování biomedicínských obrazů
Mikulka, Jan ; Přibil, Jiří (oponent) ; Dostál, Otto (oponent) ; Gescheidtová, Eva (vedoucí práce)
Disertační práce pojednává o moderních metodách a přístupech ke zpracování obrazů, konkrétně k jejich segmentaci, klasifikaci a vyhodnocování parametrů. Jedná se především o zpracování medicínských snímků měkkých tkání pořízených metodou magnetické rezonance (MR) a dále mikroskopických obrazů tkání. Ze segmentovaných obrazů lze jednoduše popsat hranice hledaných objektů. Tyto nalezené hranice mohou sloužit k dalšímu zpracování jako výpočet obvodů, obsahů, povrchů, objemů nebo dokonce k trojrozměrné rekonstrukci zobrazovaného objektu. Popsaná navržená řešení lze použít pro klasifikaci zdravých či postižených tkání snímaných metodami MR či jinými. V disertační práci jsou uvedeny příklady aplikací, ve kterých byly navržené segmentační metody použity. V oblasti segmentace obrazů se práce zaměřuje na metody založené na řešení parciálních diferenciálních rovnic. Jedná se o moderní přístupy zpracování obrazů, zvané též aktivní kontury. Tento přístup ke zpracování obrazů je velmi výhodný u segmentace reálného obrazu, který je zatížený šumem, má neostré hrany a přechody mezi objekty. Výsledkem disertační práce jsou navržené metody pro automatickou segmentaci obrazů a klasifikaci objektů.
|
|
|
Detekce výskytu objektů ve videozáznamu
Šamánek, Jan ; Orság, Filip (oponent) ; Goldmann, Tomáš (vedoucí práce)
Tato bakalářská práce se zabývá detekcí objektů ve videozáznamu, především pomocí konvolučních neuronových sítí a implementace jednoduchého uživatelského rozhraní, které dovolí uživateli vybírání mezi klasifikátory a jejich využití pro analýzu videa a jejich trénování na vlastním datasetu. První část je dedikovaná popisu strojového učení a neuronových sítí. Poté následuje část pro popis segmentace a klasifikace obrazu pomocí algoritmů strojového učení a předzpracování dat pro trénování modelů. Poslední je praktická část, která popisuje návrh vytvořeného modelu, uživatelského rozhraní a dosažených výsledků.
|
|
|
Použití strukturální metody pro rozpoznávání objektů
Valsa, Vít ; Heriban, Pavel (oponent) ; Šťastný, Jiří (vedoucí práce)
Tato diplomová práce se zabývá možností využití strukturálních metod pro rozpoznávání objektů v obraze. Nejprve jsou popsány způsoby pro přípravu obrazu před samotným zpracováním. Vlastní jádro celé práce spočívá v kapitole 3, kde je podrobně rozebrán problém tvorby deformačních gramatik pro syntaktickou analýzu a jejich použití. Dále je věnován prostor syntaktickému analyzátoru interpretujícího deformační gramatiku. Závěr práce je zaměřen na testování navržených metod a jejich výsledky.
|
|
|
Vliv pozadí a velikosti databáze na trénování neuronových sítí pro klasifikaci obrazů
Mikulec, Vojtěch ; Kolařík, Martin (oponent) ; Rajnoha, Martin (vedoucí práce)
Tato bakalářská práce se zaobírá vlivem pozadí a velikosti databáze na trénování neuronových sítí pro klasifikaci obrazů. V práci jsou popsány techniky zpracování obrazů pomocí konvolučních neuronových sítí a vliv pozadí (šumu) a velikosti databáze na trénování. Práce navrhuje metody, se kterými lze dosáhnout rychlejšího a přesnějšího procesu trénování konvolučních neuronových sítí. Pro experimentování je vybrána binární klasifikace datové množiny označených tváří z různého prostředí, jejíž pozadí je pro každý experiment modifikováno nahrazením barvou nebo ořezáním. Velikost datové množiny je pro trénování konvolučních neuronových sítí klíčová, v této práci je experimentováno s velikostí trénovací množiny, což simuluje reálný problém s nedostatkem dat při trénování konvolučních neuronových sítí pro klasifikaci obrazů.
|
host ::
RSS.