|
|
Zpětnovazební učení pro řešení herních algoritmů
Daňhelová, Jana ; Uher, Václav (oponent) ; Kolařík, Martin (vedoucí práce)
Bakalářská práce Zpětnovazební učení pro řešení herních algoritmů je rozdělena do dvou částí. V teoretické části jsou popsány a srovnávány základní metody zpětnovazebního učení, přičemž zvláštní pozornost je věnována metodám aktivního učení – Q-učení a hlubokému učení. Praktická část je zaměřena na aplikaci metody deep learning na hru Had. Výsledky jsou prezentovány ve formě programu napsaného v programovacím jazyku Python, který se skládá z herního prostředí vytvořeného v PyGame, modelu konvoluční neuronové sítě zkonstruovaného v knihovně Keras a herního agenta. Výstupem programu je několik typů datasetů ve formátu csv. Získaná data, obsahující hodnoty jednotlivých parametrů jako počet epoch, přesnost, ztráta nebo výše odměny, mohou být následně použita jako podklady pro další zpracování.
|
|
|
Automatic 3D segmentation of brain images
Bafrnec, Matúš ; Dorazil, Jan (oponent) ; Kolařík, Martin (vedoucí práce)
This bachelor thesis describes the design and implementation of the system for automatic 3D segmentation of a brain based on convolutional neural networks. The first part is dedicated to a brief history of neural networks and a theoretical description of the functionality of convolutional neural networks. It represents a fast introduction to the problematics and provides theoretical basics needed for the understanding and creation of the system. Individual layers of the neural network and principles of their functionality and mutual relations are also described in this part. The second part of the thesis is about problem analysis, designing of a solution and a comparison between neural networks and other solutions. The result of a magnetic resonance imaging of the head is a series of black-and-white images representing a 3D scan. The task is to tag a brain and to remove unnecessary information in the form of surrounding tissues. The final image of the brain can be utilized in a volumetry or during a diagnostic of neurodegenerative diseases. The advantage of neural networks in comparison with deterministic systems is their flexibility. They allow an adaptation to other segmentation problems just by changing the training dataset, without a need of changes in the architecture. One of the systems performing fully automatic 3D segmentation is called U-Net – its name comes from the similarity of the architecture with the letter U. Three real solutions, the first implementation of U-Net, extended U-Net and recurrent U-Net were presented. The first version of U-Net has been very memory-demanding, it required a training on a processor instead of a graphic card and has not allowed data processing in full resolution. The extended U-Net has resolved these problems by loading data in overlaying series of three images. In addition to the possibility of a training on a graphic card with related decrease in learning time, the accuracy was increased by adding interconnections to the internal architecture of the network. The last version, recurrent U-Net, aims for the optimization of extended U-Net based on the reusage of existing levels. This brings a decrease in a time and resource difficulty. The number of parameters of the network was lowered to less than 20%, without any increase in case of further level addition. This network is one of first recurrent networks used on the problem of 3D segmentation and provides a foundation to further research. The last part focuses on the evaluation of results and the comparison of accuracy, speed and requirements between particular networks. The accuracy of human and machine segmentation is also compared. The extended and recurrent U-Net have surpassed their human opponent, which in real case could save a lot of doctors time and prevent human mistakes. The result of this work is a theoretical basis providing an introduction to the problematics of convolutional neural networks and segmentation, fully working systems for automatic 3D segmentation and the foundation for further research in the field of recurrent networks.
|
|
|
Protection of sensitive data contained in images
Mezina, Anzhelika ; Rajnoha, Martin (oponent) ; Burget, Radim (vedoucí práce)
This work is focused on application of deep learning in security problem of escape sensitive information, that is contained in images. The presented solution of this problem is using Single Shot Multibox Detector and Fully Connected Network (FCN). FCN is faster than other methods and can be applied in industry, where is a need to analyse input and output information very quickly, for example, in network traffic analysis. In the first part of this work, methods that can be used in keyword detection are described. The second part contains a description of experiment and achieved results for two models of neural network: Single Shot Multibox Detector and Fully Connected Network. The second one gave better results and can be used in practice.
|
|
|
Detekce semaforu ve snímku dopravní situace
Boček, Václav ; Jirsík, Václav (oponent) ; Horák, Karel (vedoucí práce)
Tato bakalářská práce se zabývá detekcí semaforu a rozpoznáním stavu jeho světel na snímku z dopravní situace pomocí metod strojového učení. V teoretické části textu jsou zmíněny rozdílné přístupy k řešení tohoto problému. V praktické části je popsán vlastní návrh systému s využitím konvolučních neuronových sítí a výsledky testování navrženého systému.
|
|
|
Detekce anatomických struktur v CT datech s využitím konvolučních neuronových sítí
Kozlová, Dominika ; Jan, Jiří (oponent) ; Jakubíček, Roman (vedoucí práce)
Tato diplomová práce se zabývá problematikou detekce anatomických struktur v medicínských obrazech s využitím konvolučních neuronových sítí (CNN). Nejprve jsou popsány metody strojového učení, konvoluční neuronové sítě a vybrané přístupy k detekci s využitím CNN. V rámci práce byla vytvořena databáze anotovaných CT snímků deseti anatomických struktur (hlava, srdce, aorta, levá a pravá plíce, páteř, játra, levá a pravá ledvina, slezina). Dále byla navržena metoda umožňující jejich detekci, která obsahuje dva postupy získání oblastí ze snímku, CNN a závěrečné zpracování pro získání výsledku detekce. Navržený algoritmus byl implementován v programovacím jazyce Python s využitím knihovny TensorFlow. Získané výsledky validace sítě a výsledky detekce jsou uvedeny a diskutovány v poslední kapitole.
|
|
|
Konvoluční neuronová síť pro segmentaci obrazu
Mitrenga, Michal ; Petyovský, Petr (oponent) ; Jirsík, Václav (vedoucí práce)
Cílem bakalářské práce je seznámit se s problematikou konvolučních neuronových sítí pro segmentaci obrazu. Toto téma v sobě zahrnuje celý obor počítačového vidění. Zvláštní pozornost je věnována procesu segmentace obrazu. Dále se práce věnuje základním principům umělých neuronových sítí, struktuře konvolučních neuronových sítí a zejména pak popisu jednotlivých architektur sémantické segmentace. Součástí práce je ukázka praktických aplikací segmentace obrazu. Důležitou částí je databáze obrazů SYNTHIA, kde jsou ukázaný její vlastnosti. V závěru práce jsou podrobněji popsány podmínky a požadavky na výkon hardwaru a potřebný software pro dobrý chod sítě. Bylo využito frameworku Keras, který již obsahuje funkce pro práci s neuronovými sítěmi.
|
|
|
Rozpoznávání tváří
Benda, Tomáš ; Hradiš, Michal (oponent) ; Smrž, Pavel (vedoucí práce)
Tato práce se zabývá rozpoznáváním lidí ve videozáznamu, respektive z kamery. K rozeznávání obličejů byla použita konvoluční neuronová síť, díky které získáme několika dimenzionální vektor rysů, pomocí kterého je možno zjistit totožnost osoby. Na systém jsou kladeny nároky, aby byl schopen pracovat v reálném čase a mohl být použit například pro rozpoznávání osob na různých konferencích, či jako součást bezpečnostního systému. Samotný systém je napsán v jazyce Python. Součástí této práce byla vytvořena datová sada ve formě videí s osobami.
|
|
|
Webová galerie s rozpoznáváním osob
Hubl, Lukáš ; Špaňhel, Jakub (oponent) ; Hradiš, Michal (vedoucí práce)
Tato práce se zabývá tvorbou aplikace sloužící jako webová galerie pro ukládání a prohlížení fotografií s možností automatické filtrace na základě obličejů. Probírá nástroje pro tvorbu jednotlivých částí aplikace včetně nástrojů pro automatickou detekci obličejů ve fotografiích a následného automatického rozpoznaní identity, včetně jejich implementace do vytvořené webové aplikace. Ukazuje výsledky testů detekce obličejů a rozpoznání osob na datasetu, který byl vytvořen konkrétně pro tuto práci. Na závěr jsou popsány možnosti dalšího postupu pro vylepšení jednotlivých prvků výsledné aplikace.
|
|
|
Image annotation using deep learning
Zarapina, Natalya ; Rajnoha, Martin (oponent) ; Burget, Radim (vedoucí práce)
This semester thesis describes the design and implementation of the client-server program for classification and localization of certain elements which are present in provided images. This program loads a set of images and use deep learning, especially deep convolution neural network perform a classification. First part describes the architecture, basic principles of operations in convolution network and chosen machine learning algorithms for classification. Second part contains a description of created program.
|
|
|
Convolution neural networks on the Windows platform
Kapusta, Martin ; Rajnoha, Martin (oponent) ; Přinosil, Jiří (vedoucí práce)
The aim of the bachelor thesis is the latest knowledge of convolution neural networks and their application. The thesis describes the history, biological neuron and analogous mathematical model of a neuron. It also deals with the areas where neural networks are used, as well as the areas in which they expand gradually, the ways of learning and training, the differences between convolution neural networks and classical neural networks and their architecture. The thesis consists of two parts. The first part is the selection of the framework for working with convolution neural networks, which is suitable for implementation in the Windows operating system, the installation of the framework and its troubleshooting. The second part is aimed at creating an automated installation tool for the Windows 7 and Windows 10 operating system, created in JavaFX.
|
host ::
RSS.