|
|
Efektivnost hlubokých konvolučních neuronových sítí na elementární klasifikační úloze
Prax, Jan ; Dobrovský, Ladislav (oponent) ; Škrabánek, Pavel (vedoucí práce)
V této diplomové práci jsou srovnány modely hlubokých konvolučních neuronových sítí a modely deskriptorů příznaků. Modely deskriptorů příznaků jsou doplněny o vybraný vhodný klasifikátor. Tyto modely spadají do oblasti strojového učení, a tudíž jsou v práci popsány typy strojového učení. Dále jsou tyto vybrané modely popsány a vysvětleny jejich základy a problémy. Je vypsán hardware a software použitý k uskutečnění testů a jsou vypsány výsledky testů a shrnutí výsledků. Pak je provedeno srovnání uvedených modelů na základě přesnosti validace a časové náročnosti.
|
|
|
Rekonstrukce snímku obličeje s využitím neuronových sítí
Zubalík, Petr ; Drahanský, Martin (oponent) ; Goldmann, Tomáš (vedoucí práce)
Hlavním cílem této bakalářské práce je navrhnout a implementovat model neuronové sítě, který bude schopen rekonstruovat snímky obličeje v tak nízkém rozlišení, že na nich budou rozmazány základní části obličeje. Zadaný problém rekonstrukce obličejů je vyřešen pomocí modelů založených na konvolučních neuronových sítích. První model je postaven na architektuře ResNet, kdežto druhý staví na principech generativních kompetitivních sítí. Navržené modely jsou implementovány v programovacím jazyce Python za pomoci aplikačního programového rozhraní frameworku TensorFlow. Součástí práce je i aplikace s velmi jednoduchým grafickým uživatelským rozhraním pro snadné používání modelu. V poslední části práce je rozebráno několik experimentů provedených pro otestování úspěšnosti navržených modelů
|
|
|
Identifikace segmentů supraventrikulárních tachykardií pomocí metody multiple-instance learning
Abbrent, Jakub ; Novotná, Petra (oponent) ; Ronzhina, Marina (vedoucí práce)
Supraventrikulární tachykardie mají v populaci vysokou incidenci a často způsobují zhoršení zdravotního stavu. Cílem této diplomové práce je automaticky detekovat a lokalizovat paroxysmální fibrilace síní v záznamech EKG. Algoritmus implementovaný v jazyce Python používá k detekci konvoluční neuronovou síť ResNet s využitím multi-instančního učení a rozhodovacích pravidel. K lokalizaci slouží výstup detekce v podobě feature signálu. Při klasifikaci bylo na testovací množině dosaženo F1 skóre 0,87. Následně byly lokalizovány paroxysmální fibrilace síní s odchylkou -0,40±2,26 sekund pro začátky a 1,09±2,75 sekund pro konce epizod. V závěru práce jsou získané výsledky vyhodnoceny a diskutovány.
|
|
|
Detekce částečně zakrytého obličeje v obrazových datech
Kedra, David ; Sakin, Martin (oponent) ; Goldmann, Tomáš (vedoucí práce)
Tato bakalářská práce se zabývá analýzou problémů kamerových systémů při detekci částečně zakrytých obličejů a rozebírá současné detektory strojového učení. Smyslem bylo hledat řešení, která napomáhají detekcím tváří i se zhoršenou viditelností. Z tohoto důvodu byly generováním umělých zakrytí upraveny datasety, na kterých se trénovaly modely YOLOv7, YOLOv7-tiny a RetinaNet. Představena je počítačová aplikace uplatňující tyto detektory. Modely jsou srovnány s existujícími řešeními z hlediska kvality a rychlosti. Na většině testovacích datasetů lépe obstávají natrénované modely. YOLOv7 je při minimálním IoU 50 % nejpřesnější na upravených sadách WIDER FACE i UFDD, a to s průměrnými preciznostmi 86 % a 89 %. Na třetím datasetu s rouškami však modely překonává existující detektor RetinaFace. Dle poměru rychlosti a kvality působí nejefektivněji YOLOv7-tiny.
|
|
|
Forenzní analýza ručně psaného písma pro české prostředí s použitím umělé inteligence
Stejskal, Jan ; Přinosil, Jiří (oponent) ; Burget, Radim (vedoucí práce)
Analýza ručně psaného písma je důležitou oblastí výzkumu moderní vědy. Jedná se však o velice složitý proces, jelikož ručně psaný text může nabývat různých podob. Využití umělé inteligence k analýze a identifikaci textu pocházejícího od různých autorů není ve světě nic nového. Avšak výzkum v této oblasti pro české prostředí mírně zaostává. Z tohoto důvodu bylo v rámci této práce navrženo a porovnáno několik architektur konvolučních sítí, ve snaze nalézt nejvhodnější strukturu pro řešení tohoto problému. Ze všech natrénovaných a otestovaných modelů dosáhl nejvyšší přesnosti model založený na struktuře ResNet18, který měl úspěšnost 92,2 % na vlastní databázi tvořené 1328 ukázkami s rozlišením 750x256. Tento výsledek naznačuje, že s dostatečně velkou a kvalitní databází je daný problém řešitelný i v českém prostředí s jeho komplikovanější znakovou sadou.
|
|
|
Odhad obličeje z řečového signálu
Zubalík, Petr ; Mošner, Ladislav (oponent) ; Plchot, Oldřich (vedoucí práce)
Hlavním cílem této diplomové práce bylo navrhnout a implementovat systém, který bude schopný odhadnout obličej na základě řeči daného člověka. Tento problém je vyřešen pomocí systému složeného ze tří modelů konvolučních neuronových sítí. První z nich je založen na architektuře ResNet a slouží pro extrahování příznaků z hlasových nahrávek. Druhým modelem je plně konvoluční neuronová síť, která převádí tyto příznaky na styly, na základě kterých bude upravován výsledný obrázek obličeje. Získané styly jsou poté předávány na vstup generátoru StyleGAN pro vygenerování výsledného obličeje. Navržený systém je implementován v programovacím jazyce Python s využitím frameworku PyTorch. V poslední kapitole práce je rozebráno a vyhodnoceno několik důležitých experimentů prováděných v rámci ladění a testování vytvořeného systému.
|
|
|
Classification of thorax diseases on chest X-ray images using artificial intelligence
Pijáček, Štěpán ; Mikulec, Marek (oponent) ; Mezina, Anzhelika (vedoucí práce)
This thesis is researching workable solutions to the problem of classification of thorax disease on chest x-ray images using artificial intelligence. For a better understanding of the problem, the first chapters explain the basic convolutional neural network and its advantages and disadvantages. Based on these first explanations, two neural networks which are expanding on the concept of the convolutional neural network are chosen. Those are capsulated network and residual network both explained further in their respective sections with their advantages and disadvantages. Residual network and Capsulated network are implemented using programming language python and framework TensorFlow with Keras library, both with their respective chapters. At the end of this thesis, you can find results and conclusion.
|
|
|
Identifikace segmentů supraventrikulárních tachykardií pomocí metody multiple-instance learning
Abbrent, Jakub ; Novotná, Petra (oponent) ; Ronzhina, Marina (vedoucí práce)
Supraventrikulární tachykardie mají v populaci vysokou incidenci a často způsobují zhoršení zdravotního stavu. Cílem této diplomové práce je automaticky detekovat a lokalizovat paroxysmální fibrilace síní v záznamech EKG. Algoritmus implementovaný v jazyce Python používá k detekci konvoluční neuronovou síť ResNet s využitím multi-instančního učení a rozhodovacích pravidel. K lokalizaci slouží výstup detekce v podobě feature signálu. Při klasifikaci bylo na testovací množině dosaženo F1 skóre 0,87. Následně byly lokalizovány paroxysmální fibrilace síní s odchylkou -0,40±2,26 sekund pro začátky a 1,09±2,75 sekund pro konce epizod. V závěru práce jsou získané výsledky vyhodnoceny a diskutovány.
|
|
|
Atrial Fibrillation Classification Using Deep Convolution Networks
Novotna, Petra
We propose the usage of three deep convolutional neural networks architectures for classification of a single lead electrocardiogram (ECG) recordings and evaluate them on the atrial fibrillation (AFIB) classification, for which data set was provided by the Department of Biomedical Engineering, BUT. The compared networks are based on ResNet, VGG net and AlexNet. Single lead signals are transformed into the form of spectrogram. AFIB data was augmented for the purpose of similar size of both respected classes and for successful classification. The most successful architecture, based on AlexNet, was found to perform obtaining an accuracy of 92 % and F1 score of 56 % on the hidden testing set.
|
|
|
Efektivnost hlubokých konvolučních neuronových sítí na elementární klasifikační úloze
Prax, Jan ; Dobrovský, Ladislav (oponent) ; Škrabánek, Pavel (vedoucí práce)
V této diplomové práci jsou srovnány modely hlubokých konvolučních neuronových sítí a modely deskriptorů příznaků. Modely deskriptorů příznaků jsou doplněny o vybraný vhodný klasifikátor. Tyto modely spadají do oblasti strojového učení, a tudíž jsou v práci popsány typy strojového učení. Dále jsou tyto vybrané modely popsány a vysvětleny jejich základy a problémy. Je vypsán hardware a software použitý k uskutečnění testů a jsou vypsány výsledky testů a shrnutí výsledků. Pak je provedeno srovnání uvedených modelů na základě přesnosti validace a časové náročnosti.
|
host ::
RSS.