|
|
Grafické demo s využitím procedurálního texturování
Drevický, Dušan ; Matýšek, Michal (oponent) ; Polok, Lukáš (vedoucí práce)
Práca sa zaoberá návrhom a implementáciou grafického dema veľkostne obmedzeného na 64 kB. Pre vytvorenie štruktúry a vzhľadu realistického prírodného terénu je využité procedurálne generovanie. Terén je definovaný pomocou výškovej mapy, ktorá vychádza zo šumových funkcií popísaných v práci. Zobrazovanie je implementované pomocou metódy ray marching a prebieha v reálnom čase. Všetky v práci popísané časti implementácie sú vytvorené výlučne vo fragment shaderi grafickej karty.
|
|
|
Deep Learning Model Uncertainty in Medical Image Analysis
Drevický, Dušan ; Kolář, Martin (oponent) ; Kodym, Oldřich (vedoucí práce)
This thesis deals with quantifying uncertainty in the predictions of deep learning models. While they achieve state of the art results in many areas of computer vision, their outputs are usually deterministic and provide by themselves little information about how certain the model is about its prediction. This is important especially in the domain of medical image analysis where mistakes are costly and the ability to filter uncertain predictions would allow a supervising physician to review the relevant cases. This work applies several different uncertainty measures developed in recent research to deep learning models trained on a cephalometric landmark localization task. They are then evaluated and compared in a set of experiments which aim to determine whether each of the uncertainty measures provides us with useful information about the model's confidence in its predictions.
|
|
|
Deep Learning Model Uncertainty in Medical Image Analysis
Drevický, Dušan ; Kolář, Martin (oponent) ; Kodym, Oldřich (vedoucí práce)
This thesis deals with quantifying uncertainty in the predictions of deep learning models. While they achieve state of the art results in many areas of computer vision, their outputs are usually deterministic and provide by themselves little information about how certain the model is about its prediction. This is important especially in the domain of medical image analysis where mistakes are costly and the ability to filter uncertain predictions would allow a supervising physician to review the relevant cases. This work applies several different uncertainty measures developed in recent research to deep learning models trained on a cephalometric landmark localization task. They are then evaluated and compared in a set of experiments which aim to determine whether each of the uncertainty measures provides us with useful information about the model's confidence in its predictions.
|
|
|
Grafické demo s využitím procedurálního texturování
Drevický, Dušan ; Matýšek, Michal (oponent) ; Polok, Lukáš (vedoucí práce)
Práca sa zaoberá návrhom a implementáciou grafického dema veľkostne obmedzeného na 64 kB. Pre vytvorenie štruktúry a vzhľadu realistického prírodného terénu je využité procedurálne generovanie. Terén je definovaný pomocou výškovej mapy, ktorá vychádza zo šumových funkcií popísaných v práci. Zobrazovanie je implementované pomocou metódy ray marching a prebieha v reálnom čase. Všetky v práci popísané časti implementácie sú vytvorené výlučne vo fragment shaderi grafickej karty.
|
host ::
RSS.