|
|
Neuronová síť pro přenos stylu
Kadlec, Filip ; Matoušek, Radomil (oponent) ; Hůlka, Tomáš (vedoucí práce)
V této bakalářské práci je popsáno strojové učení, typy umělých neuronových sítí a pochody v neuronových sítích, jako dopředné zpracování dat či trénování a učení samotných sítí. Také se zde srovnávají a popisují prostředky pro implementaci neuronových sítí. Praktická část je věnována problematice přenosu uměleckého stylu pomocí konvoluční neuronové sítě.
|
|
|
Detekce významných událostí v systémech využívajících princip fázových OTDR
Makówka, David ; Petyovský, Petr (oponent) ; Valach, Soběslav (vedoucí práce)
Diplomová práce se zabývá návrhem, implementací a testováním systému klasifikujícího události snímané optickým vláknem podél perimetru střežených objektů. V teoretické části jsou objasněny fyzikální principy, základní struktury měřících systémů, metody měření, formát dat, způsoby předzpracování a klasifikace konvolučními neuronovými sítěmi. Praktická část popisuje implementaci softwaru pro učení a testování konvolučních neuronových sítí, proces extrahování vzorků z naměřených dat, jejich anotaci a převod do formátu požadovaného neuronovou sítí. Jsou prezentovány výsledky analýzy snímaných dat a výsledky dosažené úrovně klasifikace konvolučními neuronovými sítěmi jak při zpracování naměřených datasetů, tak při nasazení hotového klasifikátoru na systém pracující v reálném čase.
|
|
|
Redukce šumu audionahrávek pomocí hlubokých neuronových sítí
Talár, Ondřej ; Galáž, Zoltán (oponent) ; Harár, Pavol (vedoucí práce)
Práce se zabývá možností použití hluboké rekurentní neuronové sítě typu Long Short-Term Memory pro robustní odšumování zarušeného signálu. LSTM je v současnosti velice lákavá architektura díky své vlastnosti pamatovat si předchozí váhy, a nebo je upravovat nejen dle použitých algoritmů, ale také zkoumáním změn v sousedních buňkách. V práci je popsán výběr výchozího datasetu a použitých šumů spolu s vytvořením optimálních testovacích dat. Pro trénování sítě je zvolen framework KERAS pro jazyk Python. Jsou prozkoumány a popsány kandidátní sítě pro možné řešení, následně je provedeno několik experimentů pro zjištění skutečného chování neuronové sítě.
|
|
|
Využití Robotického operačního systému (ROS) pro řízení kolaborativního robota UR3
Juříček, Martin ; Matoušek, Radomil (oponent) ; Parák, Roman (vedoucí práce)
Cílem bakalářské práce je vytvoření řídícího programu, jeho následné otestování a ověření funkčnosti pro kolaborativního robota UR3 od firmy Universal Robots. Řídící program je napsán v jazyce python a integruje možnosti řízení skrz Robotický operační systém, kdy lze dosahovat definovaného bodu pomocí předem simulovaných trajektorií algoritmů Q-learning, SARSA, Deep Q-learning, Deep SARSA, a nebo za pomocí pouze frameworku MoveIT. V práci je pojednáno průřezem o tématech kolaborativní robotiky, Robotického operačního systému, simulačního prostředí Gazebo, zpětnovazebního a hluboké zpětnovazebního učení. Závěrem je popsán samotný návrh a implementace řídícího programu s dílčími částmi.
|
|
|
Holistické rozpoznání registrační značky pomocí konvolučních neuronových sítí
Morbitzer, Dušan ; Juránek, Roman (oponent) ; Špaňhel, Jakub (vedoucí práce)
Cílem této práce je vytvoření modelu neuronové sítě pro holistické rozpoznávání registračních značek se zaměřením na přesnost a zkrácení doby trénovacího procesu. Model byl implementován, jako spojení konvoluční neuronové sítě pro extrakci hlubokých rysů obrázku značky a Bidirectional LSTM s CTC. Natrénovaný model byl porovnán s jinou implementací, využívající holistického přístupu, která byla natrénována na stejném datasetu. Vlastní návrh sítě dosáhl lepších výsledků při rozpoznávání na datové sadě, odlišné od trénovací, s chybovostí 8,3 %.
|
|
|
Detection and Classification of Damage in Fingerprint Images Using Neural Nets
Vican, Peter ; Rydlo, Štěpán (oponent) ; Kanich, Ondřej (vedoucí práce)
The aim of the diploma thesis is to study and propose improvement of the current convolutional neural network for the classification and detection of fingerprint disease. An improvement of the current convolutional neural network is the change of library for the algorithm of learning, detecting and classifying fingerprint damage. Other improvements are to change the convolutional neural network model and a change in the activation function. At the same time, preprocessing using the Gabor filter will be added. Another change is in the area of thresholding. Next, there will be a change in general-purpose algorithms that will simplify the work for expanding database creation, the learning process itself, the classification and detection process, and the network testing process. At the same time, this network will be expanded with a new prediction and classification. Specifically the damage caused by eczema, psoriasis, pressure and moisture. The improved convolutional neural network is implemented by PyTorch. The network detects which part of the fingerprint is damaged and draws this part into the fingerprint. At the same time, the type of disease or imprint damage is classified during detection. Synthetic fingerprints are used in network training and are supplemented by real fingerprints.
|
|
|
Mobilní aplikace pro rozpoznání leukokorie ze snímku lidského obličeje
Hřebíček, Pavel ; Kodym, Oldřich (oponent) ; Herout, Adam (vedoucí práce)
Cílem této práce je návrh a implementace multiplatformní multijazyčné mobilní aplikace pro rozpoznání leukokorie ze snímku lidského obličeje pro platformy iOS a Android. Leukokorie je bělavý svit zornice, který se při použití blesku může na fotografii objevit. Včasnou detekcí tohoto symptomu lze zachránit zrak člověka. Samotná aplikace umožňuje analyzovat fotografii uživatele a detekovat přítomnost leukokorie. Cílem aplikace je tedy analýza očí člověka, od čehož je také odvozen název mobilní aplikace - Eye Check. K vytvoření multiplatformní mobilní aplikace byl použit framework React Native. Pro detekci lidského obličeje a očí byla zvolena knihovna Dlib, pro práci s fotografií pak knihovna OpenCV. Ke klasifikaci očí na případný výskyt leukokorie byla použita konvoluční neuronová síť. Komunikace mezi klientem a serverem je řešena pomocí architektury REST. Výsledkem je mobilní aplikace, která v případě detekce leukokorie uživatele upozorní, že by měl navštívit svého lékaře.
|
|
|
Odhad pozice chodidel v obraze
Havlíček, Lukáš ; Orság, Filip (oponent) ; Goldmann, Tomáš (vedoucí práce)
Tato práce se zabývá návrhem a implementací řešení odhadu pozice chodidel v obraze se zaměřením na případy, kdy jsou nohy v obraze zakryté. Je zde popsána oblast antropometrie, neuronových sítí, návrhu a implementace řešení a následné experimenty. K řešení je využito vlastní konvoluční sítě, implementované pomocí rozhraní Keras s vytvořením vlastního datasetu se zaměřením na zakryté nohy. U experimentů je využito ostatních bodů na těle za účelem zvýšení přesnosti.
|
|
|
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.
|
|
|
Meření podobnosti obrazů s pomocí hlubokého učení
Štarha, Dominik ; Šeda, Pavel (oponent) ; Rajnoha, Martin (vedoucí práce)
Tato diplomová práce se zabývá výzkumem technologií, využívajících metod hlubokého učení, využitelných při zpracovávání obrazových dat. Konkrétním zaměřením práce je zhodnotit vhodnost a efektivnost hlubokého učení při porovnávání dvou vstupních obrazových dat. První – teoretická – část zahrnuje úvod do problematiky neuronových sítí a hlubokého učení. Obsahuje popis dostupných možností a jejich výhody a principy, vhodné při zpracování obrazových dat. Druhá – praktická – část práce obsahuje návrh vhodného modelu siamských sítí pro řešení problému problematiky porovnávání dvou vstupních obrazů a vyhodnocení jejich podobnosti. Výstupem je zhodnocení několika možných konfigurací modelu a vyzdvihnutí parametrů modelu s nejlepšími výsledky.
|
host ::
RSS.