|
|
Detection and Classification of Damage in Fingerprint Images Using Neural Nets
Vican, Peter ; Drahanský, Martin (oponent) ; Kanich, Ondřej (vedoucí práce)
The aim of this diploma thesis is to study and design experimental improvement of the convolutional neural network for disease detection. Another goal is to extend the classifier with a new type of detection. he new type of detection is damage fingerprint by pressure. The experimentally improved convolutional network is implemented by PyTorch. The network detects which part of the fingerprint is damaged and draws this part into the fingerprint. Synthetic fingerprints are used when training the net. Real fingerprints are added to the synthetic fingerprints.
|
|
|
Pedestrian Detection and Recognition in a Multi-Camera System
Macák, Filip ; Orság, Filip (oponent) ; Goldmann, Tomáš (vedoucí práce)
The main purpose of this bachelor's thesis is to create an application for person detection and recognition from scenes captured in a multi-camera system. The output of the application is a video on which the detected persons are highlighted and each person is assigned an identification number through which it can be recognized across the input scenes. Several solutions to the problem of person detection and recognition were examined and the text of this work serves as an overview of these problems. The application is built on PyTorch and Torchreid libraries. A detector with a Faster-RCNN network is used for detection and recognition is based on the OSNet network. The application also includes a simple user interface to facilitate work with the application. The application serves as a demonstration of the state-of-the-art for person detection and recognition.
|
|
|
Hluboké neuronové sítě pro posilované učení
Košák, Václav ; Dobeš, Petr (oponent) ; Hradiš, Michal (vedoucí práce)
Práce popisuje trénovací prostředí pro trénování postavičky chodící po dvou končetinách. Prostředí je implementováno v AI Gym pomocí fyzikálního modelu PyBullet. Úlohy z prostředí jsou řešené pomocí posilovaného učení algoritmem ActorCritic. Každá z úloh je zaměřená na základní pohyby postavičky. Práce ukazuje, pomocí jakých funkcí odměn je algoritmus schopen dospět k řešení úloh.
|
|
|
Detekce foton-upkonverzních nanočástic pomocí konvoluční sítě U-Net s využitím luminiscenční mikroskopie
Polachová, Natálie ; Kolář, Radim (oponent) ; Fohlerová, Zdenka (vedoucí práce)
Tato bakalářská práce se zabývá detekcí foton-upkonverzních nanočástic pomocí konvoluční sítě U-net s využitím epiluminiscenční mikroskopie. Teoretická část obsahuje úvod do problematiky foton-upkonverzního jevu, popis a využití foton-upkonverzních nanočástic. Dále se práce věnuje problematice fungování základních a konvolučních neuronových sítí. V praktické části byly připraveny vzorky nanočástic s následným pořízením snímků epiluminiscenční mikroskopií. Byla navrhnuta konvoluční neuronová síť U-net, která dále sloužila k detekci nanočástic pomocí morfologické operace H-maxima. V závěru byl celý postup shrnut a statisticky vyhodnocen.
|
|
|
Model hlubokého učení vhodný pro vizuální detekci a klasifikaci obecného objektu z průmyslu
Dočkal, Radim ; Honec, Peter (oponent) ; Kratochvíla, Lukáš (vedoucí práce)
Cílem této bakalářské práce je naprogramovat model hlubokého učení pro vizuální detekci a klasifikaci obecného objektu z průmyslu. Práce je rozdělena do pěti kapitol. První kapitola se zabývá rešerší nejpoužívanějších architektur tohoto typu. Druhá kapitola se zabývá výběrem nejvhodnější architektury pro použití v průmyslu. Ve třetí kapitole je popsán postup vytváření vlastního datasetu. Ve čtvrté kapitole je pak popsán celý proces samotné implementace modelu tak, aby každá dílčí část architektury byla dostatečně vysvětlena a v páté kapitole jsou popsány výsledky. Shrnutí výsledků a doporučené procedury pro případnou implementaci v reálném prostředí jsou k nalezení v závěru této práce.
|
|
|
Segmentace obrazu pomocí strojového učení
Matějek, Libor ; Frýza, Tomáš (oponent) ; Bravenec, Tomáš (vedoucí práce)
Tato práce se zabývá strojovým učením a jeho aplikací do oblasti segmentace obrazu a rozpoznávání objektů. V práci je popsána základní terminologie související se strojovým učením a dat, které s ním souvisí. Dále se zaměřuje na biologickou podstatu neuronu a jeho technologické aplikace. Jsou zde přiblíženy základní druhy neuronových sítí a pro zpracování obrazu stěžejní konvoluční neuronová síť. Práce také uvádí využívané architektury konvolučních neuronových sítí. Dále navazují metody předzpracování obrazu před konvoluční sítí R-CNN. Následně jsou rozebrány některé z datasetů vhodných pro rozpoznání obrazu. Implementace je pak realizována v jazyce Python s podporou frameworku PyTorch od Facebooku.
|
|
|
Detekce začátku a konce komplexu QRS s využitím hlubokého učení
Malina, Ondřej ; Hejč, Jakub (oponent) ; Smíšek, Radovan (vedoucí práce)
Tato práce se zabývá problematikou automatického měření doby trvání QRS komplexů v EKG signálech. Zvláštní důraz je zde pak kladen na možnosti automatické detekce komplexů QRS při současném buzení srdeční tkáně kardiostimulátorem. Obsah této práce je řazen do čtyř logických celků, kdy se v první části věnuje srdci jako orgánu. Popisuje vznik a šíření vzruchu v srdci, jeho možné patologie a jejich projevy v EKG záznamu, dále se zde věnuje kardiostimulaci a měření EKG záznamu při současné kardiostimulaci. Druhá část práce obsahuje stručný úvod do tématu strojového a hlubokého učení. Třetí část práce obsahuje rešerše aktuálních přístupů využívající k řešení detekce QRSd metody založené na hlubokém učení. Čtvrtá část se pak zabývá návrhem a implementací vlastního modelu hlubokého učení, schopného detekovat začátky a konce QRS komplexů z EKG záznamů. Je zde popsáno předzpracovaní dat realizované v programovacím prostředí MATLAB. Samotná implementace modelu byla uskutečněna v programovacím jazyce Python za využití modulů PyTorch a NumPy.
|
|
|
Self-supervised learning in computer vision applications
Vančo, Timotej ; Richter, Miloslav (oponent) ; Janáková, Ilona (vedoucí práce)
The aim of the diploma thesis is to make research of the self-supervised learning in computer vision applications, then to choose a suitable test task with an extensive data set, apply self-supervised methods and evaluate. The theoretical part of the work is focused on the description of methods in computer vision, a detailed description of neural and convolution networks and an extensive explanation and division of self-supervised methods. Conclusion of the theoretical part is devoted to practical applications of the Self-supervised methods in practice. The practical part of the diploma thesis deals with the description of the creation of code for working with datasets and the application of the SSL methods Rotation, SimCLR, MoCo and BYOL in the role of classification and semantic segmentation. Each application of the method is explained in detail and evaluated for various parameters on the large STL10 dataset. Subsequently, the success of the methods is evaluated for different datasets and the limiting conditions in the classification task are named. The practical part concludes with the application of SSL methods for pre-training the encoder in the application of semantic segmentation with the Cityscapes dataset.
|
|
|
Detekce pohybujících se objektů ve videu s využitím neuronových sítí
Mikulský, Petr ; Sikora, Pavel (oponent) ; Myška, Vojtěch (vedoucí práce)
Tato diplomová práce řeší detekci pohybujících se objektů ve videu s využitím neuronových sítí. Cílem práce byla detekce účastníků silničního provozu na video záznamech. Pro praktické řešení práce byl použit předtrénovaný detekční model YOLOv5. V rámci řešení byla vypracována vlastní datová množina ze záběrů dopravní komunikace s třídami: osobní automobil, autobus, dodávkový automobil, motocykl a kamion. Celkově finální podoba datové množiny čítá 5404 snímků a 6467 anotovaných objektů. Dotrénovaný model YOLOv5 dosáhl na testovací množině úspěšnosti detekce vozidel mAP 0,995, preciznosti 0,995 a úplnosti odhadu predikce 0,986. V závěru jsou popsány kroky, které vedly ke konečné podobě vlastního datasetu.
|
|
|
Detekce objektů v laserových skenech pomocí konvolučních neuronových sítí
Zelenák, Michal ; Kodym, Oldřich (oponent) ; Veľas, Martin (vedoucí práce)
Táto práca je zameraná na segmentáciu vozovky v laserových skenoch, pomocou konvolučnej neurónovej siete. Pre riešenie uvedeného problému, ktorý nájde uplatnenia v oblastiach údržby vozovky, boli použité konvolučné neurónové siete pre ich flexibilitu a rýchlosť. Práca prináša implementáciu a modifikácie existujúcej metódy, ktorá daný problém rieši pomocou plne prepojenej konvolučej neurónovej siete. Týmito modifikáciami sú napríklad použitie rôznych parametrov pre chybovú funkciu, použitie iného počtu tried v modeli a datasete. Vplyv modifikácií bol experimentálne overený a bola dosiahnutá presnosť 96.12%, a hodnota F-measure 95.02%.
|
host ::
RSS.