|
|
Object detection for video surveillance using the SSD approach
Dobranský, Marek ; Lokoč, Jakub (vedoucí práce) ; Božovský, Petr (oponent)
Kamerové systémy dnes slouží různým účelům, od bezpečnosti k moni- torování dopravy a marketingu. Nicméně, s rostoucím množstvím kamer se stává manuální sledování videa příliš pracné. V posledních letech se hodně vývoje umělé inteligence zaměřilo na automatické zpracování videa a následný výstup požadovaných upozornění a statistik. Tato práce zkoumá nejmodernější modely hlubokého učení pro detekci objektů v bezpečnostním videu a podrobně se zabývá SSD architekturou. Našim hlavním cílem je zvýšit výkon SSD ar- chitektury aktualizací vnitřní sítě extrahující tzv. feature mapy. V práci jsou navrženy možnosti nahrazení původního VGG modelu pomocí nejnovějších klasi- fikačních sítí ResNet, Xception a NASNet. Experimentálně jsme zjistili, že model ResNet50 nabízí nejlepší kompromis mezi rychlostí a přesností. Tento model zároveň výrazně překonává VGG. Po zavedení řady modifikací do sítě Xception se nám povedlo dorovnat výkon ResNetu. Kromě vylepšení architek- tury také analyzujeme vztah mezi SSD a množstvím detekovaných tříd a jejich výběrem. Také jsme navrhli a implementovali nový detektor, který využívá tem- porální kontext snímku pro detekci objektů. Tento detektor pracuje v...
|
|
|
Artificial neural networks for pattern recognition
Kukačka, Marek ; Mrázová, Iveta (vedoucí práce) ; Božovský, Petr (oponent)
V této práci jsou popsány možnosti, výhody a nevýhody využití neuronových sítí při rozpoznávání vzorů. Je představeno několik modelů neuronových sítí použitelných pro tuto úlohu. Standartní vícevrstvá perceptronová síť je porovnávána se so stikovanější konvoluční sítí. Práce také představuje nový model, inspirovaný konvolučními sítěmi, jehož účelem je odstranit některé jejich nedostatky. Práce popisuje výsledky testů porovnávajících výsledky popsaných neuronových sítí na úloze rozpoznávání ručně psaných číslic.
|
|
|
Deep neural networks and their implementation
Vojt, Ján ; Mrázová, Iveta (vedoucí práce) ; Božovský, Petr (oponent)
Hluboké neuronové sítě jsou efektivní a univerzální model schopný řešit širokou škálu úloh. Tato práce je zaměřena na studium tří různých typů hlubokých neuronových sítí - vícevrstvý perceptron, konvoluční neuronové sítě, a sítě typu DBN (deep belief). Všechny popisované modely hlubokých neurónových sítí jsou naimplementovány na paralelní hardvérové architektuře, a otestovány pro různa nastavení architektury sítě i jejích parametrů. Implementovaný systém je doplněn detailní dokumentací softvérového návrhu a popisem použitých optimalizací. Efektivitu implemenetovaného frameworku dokládají i výsledky provedených výkonnostních testů. Významnou součást práce představuje i testování dalších existujících frameworků s podporou hlubokých neuronových sítí. Porovnání ukazuje, že framework vytvořený v rámci této práce dosáhl lepších výkonnostních výsledků než testované konkurenční implementace vícevrstvých perceptronů a konvolučních neuronových sítí. Implementace sítí typu DBN dosahuje v porovnání s konkurenční implementací mírně lepších výkonnostních výsledků pro RBM vrstvy o velikosti do 1000 neuronů, ale znatelně slabších výkonnostních výsledků pro robustnější RBM vrstvy. Powered by TCPDF (www.tcpdf.org)
|
|
|
Modely neuronových sítí pro mobilní zařízení
Georgiev, Georgi Stoyanov ; Mrázová, Iveta (vedoucí práce) ; Božovský, Petr (oponent)
Návrh efektivních metod pro klasifikaci obrázků a detekci objektů v reálném čase patří mezi nejznámější problémy současnosti. Byla navržena řada konvolučních neurono- vých sítí pro řešení těchto úloh. Mezi nejrychlejší z nich patří neuronové sítě vytvořené speciálně pro mobilní zařízení. V této práci se tedy zaměřujeme primárně na modely MobileNetV2 a EfficientNetB0. Představíme strukturu obou modelů a navzájem je po- rovnáme. Zkoumáme též několik algoritmů určených k automatickému sestavení modelů neuronových sítí. Nezbytnou součástí procesu návrhu konvolučních sítí je i optimalizace jejich struktury. Nastíníme metody citlivostní analýzy, které nám umožní pozorovat vliv vstupu na výstup sítě, a prořezávání určené k odstranění redundantních neuronů. Nako- nec předvedeme příkladové použití modelu EfficientNetB0 v mobilní aplikaci vyvinuté ke klasifikaci automobilů. 1
|
|
|
Data generator
Pečimúth, Andrej ; Kopecký, Michal (vedoucí práce) ; Božovský, Petr (oponent)
Práce se zaměřuje na návrh generátoru tabulkových dat. Naše řešení čte strukturu vstupních dat pocházejících z různých zdrojů. Toto schéma lze dále upravovat pomocí grafického prostředí. Ke každému sloupci jsou přiřazeny parametrizovatelné generátory. Generátory a jejich parametry jsou automat- icky vybírány systémem tak, aby se výstupní záznamy podobaly vstupním. Výstupní sada záznamů respektuje omezení integrity. Podporováno je více výstupních formátů. Práce kombinuje výhody stávajících webových a na- tivních řešení. Do webového prostředí přinášíme funkce, které byly dříve dostupné pouze v nativních aplikacích. Kromě toho jsme vyřešili problém kruhových závislostí mezi tabulkami. 1
|
|
|
Object detection for video surveillance using the SSD approach
Dobranský, Marek ; Lokoč, Jakub (vedoucí práce) ; Božovský, Petr (oponent)
Kamerové systémy dnes slouží různým účelům, od bezpečnosti k moni- torování dopravy a marketingu. Nicméně, s rostoucím množstvím kamer se stává manuální sledování videa příliš pracné. V posledních letech se hodně vývoje umělé inteligence zaměřilo na automatické zpracování videa a následný výstup požadovaných upozornění a statistik. Tato práce zkoumá nejmodernější modely hlubokého učení pro detekci objektů v bezpečnostním videu a podrobně se zabývá SSD architekturou. Našim hlavním cílem je zvýšit výkon SSD ar- chitektury aktualizací vnitřní sítě extrahující tzv. feature mapy. V práci jsou navrženy možnosti nahrazení původního VGG modelu pomocí nejnovějších klasi- fikačních sítí ResNet, Xception a NASNet. Experimentálně jsme zjistili, že model ResNet50 nabízí nejlepší kompromis mezi rychlostí a přesností. Tento model zároveň výrazně překonává VGG. Po zavedení řady modifikací do sítě Xception se nám povedlo dorovnat výkon ResNetu. Kromě vylepšení architek- tury také analyzujeme vztah mezi SSD a množstvím detekovaných tříd a jejich výběrem. Také jsme navrhli a implementovali nový detektor, který využívá tem- porální kontext snímku pro detekci objektů. Tento detektor pracuje v...
|
|
|
Deep neural networks and their implementation
Vojt, Ján ; Mrázová, Iveta (vedoucí práce) ; Božovský, Petr (oponent)
Hluboké neuronové sítě jsou efektivní a univerzální model schopný řešit širokou škálu úloh. Tato práce je zaměřena na studium tří různých typů hlubokých neuronových sítí - vícevrstvý perceptron, konvoluční neuronové sítě, a sítě typu DBN (deep belief). Všechny popisované modely hlubokých neurónových sítí jsou naimplementovány na paralelní hardvérové architektuře, a otestovány pro různa nastavení architektury sítě i jejích parametrů. Implementovaný systém je doplněn detailní dokumentací softvérového návrhu a popisem použitých optimalizací. Efektivitu implemenetovaného frameworku dokládají i výsledky provedených výkonnostních testů. Významnou součást práce představuje i testování dalších existujících frameworků s podporou hlubokých neuronových sítí. Porovnání ukazuje, že framework vytvořený v rámci této práce dosáhl lepších výkonnostních výsledků než testované konkurenční implementace vícevrstvých perceptronů a konvolučních neuronových sítí. Implementace sítí typu DBN dosahuje v porovnání s konkurenční implementací mírně lepších výkonnostních výsledků pro RBM vrstvy o velikosti do 1000 neuronů, ale znatelně slabších výkonnostních výsledků pro robustnější RBM vrstvy. Powered by TCPDF (www.tcpdf.org)
|
|
|
Umělé neuronové sítě a zpětnovazebné učení
Havránek, Vojtěch ; Božovský, Petr (oponent) ; Mrázová, Iveta (vedoucí práce)
Při řešení složitých úloh strojového učení bývá často obtížné specifikovat přesný postup vedoucí k jejich správnému řešení. V praxi proto může být výhodnější využít např. zpětnovazebného učení, které vyžaduje jedinou informaci o řešené úloze, a to odměnu úměrnou vhodnosti akcí agenta. Ukazuje se, že algoritmy zpětnovazebného učení pracující s neuronovými sítěmi mohou v řadě takových úloh dosáhnout dobrých výsledků. Dosažené výsledky mohou být lepší, má-li neuronová sít' schopnost modelovat prostředí nebo je-li rozšířena o rekurentní vazby. V práci ukazujeme, že pro danou sít', která správně predikuje odměnu, je nalezení optimální akce v obecném případě NP-úplná úloha. Popisujeme tři modely neuronových sítí. Jedním z nich je námi přizpůsobená varianta Suttonova algoritmu TD(¸) pro nemarkovské prostředí. Všechny tři modely jsme důkladně otestovali v námi vytvořeném simulátoru dravce a kořisti. Nejúspěšnější z testovaných modelů - modifikovaný TD(¸) jsme následně aplikovali při řízení reálnéeho mobilního robota. V práci se zároveň zabýváme vhodným způsobem odměňování, biologickou opodstatněností zvažovaných modelů neuronové sítě, důležitostí explorativních schopností algoritmu a mezemi použitelnosti zpětnovazebného učení. Součástí práce je knihovna neuronových sítí napsaná v jazyku C++, ve které jsou popsané...
|
|
|
Artificial neural networks for pattern recognition
Kukačka, Marek ; Božovský, Petr (oponent) ; Mrázová, Iveta (vedoucí práce)
V této práci jsou popsány možnosti, výhody a nevýhody využití neuronových sítí při rozpoznávání vzorů. Je představeno několik modelů neuronových sítí použitelných pro tuto úlohu. Standartní vícevrstvá perceptronová síť je porovnávána se so stikovanější konvoluční sítí. Práce také představuje nový model, inspirovaný konvolučními sítěmi, jehož účelem je odstranit některé jejich nedostatky. Práce popisuje výsledky testů porovnávajících výsledky popsaných neuronových sítí na úloze rozpoznávání ručně psaných číslic.
|
host ::
RSS.