|
|
Horizon Detection in Image
Holková, Natália ; Herout, Adam (oponent) ; Juránek, Roman (vedoucí práce)
This thesis aims to implement a method of detecting the horizon line in images using deep learning to prevent any constraints on input data. A training dataset is created by downloaded images from large metropolitan cities around the world using the Google Street View service. Several popular architectures for convolutional neural networks are chosen, and their performance is evaluated on existing benchmark datasets.
|
|
|
Detekce a rozpoznávaní tváře s využitím platformy Raspberry Pi
Rozhoňová, Andrea ; Mézl, Martin (oponent) ; Hesko, Branislav (vedoucí práce)
Následující bakalářská práce se věnuje problematice detekce a rozpoznání tváří v obraze. Teoretická část rozděluje metody detekce a rozpoznání obličeje do několika skupin, které jsou poté blíže popsány a vysvětleny. Na konci teoretické části je shrnuto současné využití rozpoznání osob na základě tváří v praxi. V praktické části je implementovaná metoda detekce obličeje jako kombinace přístupu, který využívá haarovy příznaky a přístupu s vyhledáváním pomocí šablony oka. Následné rozpoznání zajišťuje konvoluční neuronová síť. Závěrem jsou shrnuty zásady a problémy spojené s implementací na mikropočítač Raspberry Pi.
|
|
|
Bayesovské a neuronové sítě
Hložek, Bohuslav ; Rozman, Jaroslav (oponent) ; Zbořil, František (vedoucí práce)
Tato práce představuje Bayesovskou neuronovou síť na základě modelu Occamovy břitvy. První část práce shrnuje základní poznatky o neuronových sítích a Bayesovo pravidlo. Je vysvětlen princip Occamova ostří a detaily Bayesovské neuronové sítě. Rovněž je představen reálný příklad použití k predikci sesuvu půdy. V druhé části práce je představeno, jak vytvořit Bayesovskou neuronovou sít v jazyce Python. Je ukázán demonstrační program, který na experimentálních datech ukazuje vlastnosti Bayesovských neuronových sítí.
|
|
|
Analýza finančních trhů s pomocí hlubokého učení
Nimrichter, Adam ; Burget, Radim (oponent) ; Mašek, Jan (vedoucí práce)
Práce se zabývá metodami pro analýzu finančních trhů zaměřených na virtuální měny. V souvislosti s virtuálnimi měnami je v teoretické části práce pojednáno o technologii decentralizované databáze, pomocných finančních indikátorech a umělých neuronových sítích s rekurentní architekturou. Konkrétním cílem práce je vytvořit systém pro udělení doporučení k nákupu, či prodeji dané měny. Systém sestává z navržené finanční strategie a predikované hodnoty, k čemuž je využito finančních ukazatelů a neuronové LSTM sítě. Testování bylo realizováno na historických datech z roku 2017 pro měny Bitcoin, Litecoin a Ethereum.
|
|
|
Návrh programu pro obsluhu kamer a provádění strojového učení
Lukaszczyk, Jakub ; Richter, Miloslav (oponent) ; Bilík, Šimon (vedoucí práce)
Tato bakalářská práce řeší návrh programu pro ovládání průmyslových kamer. První část se věnuje současným aplikacím, jejich designu a nedostatkům. V praktické části je poté navržena obdobná aplikace v jazyce Python. Oproti současně dostupným aplikacím poskytuje navrhovaná aplikace modulární a otevřený design a lze ji tudíž dále rozšiřovat a modifikovat. Aplikace je nadále doplněna o vazbu na knihovnu Tensorflow a umožňuje tak klasifikaci obrazu a učení modelů umělých neuronových sítí. Aplikace byla otestována a jeví se být funkční. V závěru práce jsou výsledky zhodnoceny a jsou nastíněny možnosti dalšího vývoje.
|
|
|
Využití strojového učení při simulaci mechanického chování materiálů
Raisinger, Jan ; Novák, Lukáš (oponent) ; Eliáš, Jan (vedoucí práce)
Diplomová práce se zabývá možností využití modelů strojového učení pro určování efektivních makroskopických materiálových charekteristik vícefázových materiálů. Po představení metody homogenizace asymptotickým rozvojem je s jejím využitím vytvořen na základě metody konečných prvků software v jazyce Python. Software je využit pro určení mechanických chrarakteristik sad heterogenních struktur generovaných několika různými metodami, např. jako realizace diskretizovaných náhodných polí. Tyto sady jsou využity k tréninku neuronových sítí, vytvořených pomocí knihovny Keras. Je vyhodnocena přesnost výstupů těchto sítí a posouzena kvalita trénovacích dat. Výhody a nevýhody sítí oproti FEM řešiči jsou demonstrovány na jejich aplikaci v optimalizační úloze.
|
|
|
Detekce vad potisku
Boček, Václav ; Boštík, Ondřej (oponent) ; Honec, Peter (vedoucí práce)
Tato práce se zabývá návrhem a realizací zařízení pro vizuální kontrolu potisku loga na propiskách. Ke snímání objektu je využito řádkové kamery. Řízení celé jednotky a zpracování pořízených dat zajišťuje mikropočítač Raspberry Pi 4, ke kterému je vytvořena rozšiřující deska pro ovládání periferií. Řízení jednotlivých prvků zařízení je implementováno v jazyku C++, algoritmy detekce v jazyku Python s využitím knihoven OpenCV a TensorFlow. Zařízení disponuje grafickým uživatelským rozhraním pro ovládání celého procesu kontroly. Na konci práce jsou uvedeny výsledky testu spolehlivosti celé kontrolní jednotky.
|
|
|
Hluboké učení pro klasifikaci textů
Kolařík, Martin ; Harár, Pavol (oponent) ; Povoda, Lukáš (vedoucí práce)
Práce se zabývá rozborem současných metod strojového učení používaných pro emoční klasifikaci textových dat a testováním různých architektur neuronových sítí na problému binární klasifikace textů na pozitivní a negativní. Výstupem práce je návrh vlastní architektury hluboké konvoluční neuronové sítě, která je optimalizovaná pro problém a dosáhla úspěšnosti 79,9 procent. Navrhovaná metoda není závislá na použitém jazyce a je možno ji aplikovat i při využití méně detailně vytvořených vstupních trénovacích databází. Trénovací a testovací množina dat se skládala z kratších amatérských filmových recenzí v češtině a angličtině. Skripty byly psány v programovacím jazyce Python, využita byla knihovna pro modelování neuronových sítí Keras a výpočetní knihovna Theano. Kvůli zvýšení rychlosti výpočtu byly početní operace prováděny přes architekturu CUDA na grafické kartě. Součástí práce je také přehled teoretického základu pro práci s konvolučními neuronovými sítěmi a historie neuronových sítí.
|
|
|
Klasifikace arteriálního a žilního řečiště v obrazových datech sítnice
Černohorská, Lucie ; Jakubíček, Roman (oponent) ; Kolář, Radim (vedoucí práce)
Tato práce je zaměřena na klasifikaci arteriálního a žilního řečiště v obrazových datech sítnice. Je zde popsána anatomie oka se zaměřením na cévní zásobení a dále jsou stručně uvedeny zobrazovací a diagnostické metody sítnice. V práci jsou zmíněny metody pro klasifikaci cévního řečiště s důrazem na hluboké učení. Praktická část probíhala v programovacím jazyku Python, kdy byla nejdříve předzpracována retinální sada dat spolu s výpočtem AV poměru. Na základě literární rešerše byla pro klasifikaci cévního řečiště zvolena architektura U-net, která byla modifikována pomocí open-source knihovny Keras. Trénování sítě probíhalo na datasetu získaném pomocí experimentálního video-oftalmoskopu, který poskytuje šedotónové snímky. Modifikovaná architektura byla nejdříve využita pro klasifikaci cév do jednotlivých tříd, a z důvodů neuspokojivých výsledků byla dále implementována na segmentaci retinálního řečiště jako celku či zvlášť na žíly a tepny.
|
|
|
Segmentace cévního řečiště ve snímcích sítnice metodami hlubokého učení
Serečunová, Stanislava ; Vičar, Tomáš (oponent) ; Kolář, Radim (vedoucí práce)
Táto diplomová práca sa zaoberá využitím hlbokých neurónových sietí so zameraním na segmentáciu obrazu. Teoretická časť obsahuje popis hlbokých neurónových sietí a súhrn využívaných architektúr konvolučných sietí v oblasti segmentácie objektov z obrazu. V praktickej časti bola testovaním existujúcich príkladov používaných architektúr sietí naštudovaná open-source softwarová knižnica pre strojové učenie Tensorflow, implementovaná v programovacom jazyku Python. Obecným problémom použitia konvolučných neurónových sietí je požadované veľké množstvo vstupných dát. Z tohto dôvodu bola vytvorená nová dátová sada skladajúca sa z kombinácie piatich voľne dostupných databáz. Zvolená architektúra siete U-net bola testovaná prvou modifikáciou novo vytvorenej dátovej sady. Na základe výsledkov je zvolená architektúra siete modifikovaná, vďaka čomu bola vytvorená nová sieť, ktorá dosahuje lepšie výsledky než originálna sieť. Modifikovaná architektúra je následne trénovaná na vytvorenej dátovej sade, ktorá obsahuje snímky z rôznych typov fundus kamier. Natrénovaná sieť je vďaka tomuto prístupu vo výsledku robustnejšia a umožňuje segmentaciu cievneho riečiska snímkov z rôznymi parametrami. Modifikovaná architektúra bola otestovaná na databázach STARE, CHASE a HRF. Výsledky boli porovnané z publikovanými metódami segmentácie z literatúry, založených na konvolučných neurónových sieťach, ale aj klasickými metódami segmentácie. Vytvorená sieť vykazuje vysokú úspešnosť segmentácie cievneho riečiska porovnateľnú so state-of-the-art metódami.
|
host ::
RSS.