|
|
Knihovna pro návrh konvolučních neuronových sítí
Rek, Petr ; Mrázek, Vojtěch (oponent) ; Sekanina, Lukáš (vedoucí práce)
V rámci této diplomové práce je čtenář seznámen s problematikou neuronových a konvolučních neuronových sítí. Na základě těchto znalostí je poté proveden návrh a implementace knihovny umožňující práci s konvolučními neuronovými sítěmi - od návrhu, přes trénování až po validaci. Výsledná knihovna je poté vyhodnocena na klasických úlohách pro konvoluční neuronové sítě a porovnána s jinými knihovnami. Rozšířením knihovny, díky kterému se odliší od jiných volně dostupných, je nezávislost na datovém typu. Každá vrstva může mít až tři na sobě nezávislé datové typy - pro váhy, pro inferenci a pro učení. Za účelem vyhodnocení tohoto rozšíření je součástí knihovny i datový typ s pevnou řádovou čárkou. Vliv této reprezentace na přesnost natrénované sítě je podroben experimentům.
|
|
| |
|
|
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 a realizovat segmentaci obrazu. Toto téma v sobě zahrnuje obor počítačového vidění, který je používán v systémech s umělou inteligencí. 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. Vybraná architektura SegNet je použiti v praktické aplikaci spolu s před-učenou sítí. Součástí práce je databáze obrazů CamVid, která je použita pro trénování. Pro testování je vytvořena databáze vlastních snímků. Praktická část je zaměřená na trénování CNN a hledání nevhodnějších parametrů pro učení sítě za pomocí SW Matlab.
|
|
|
Artificial Composition of Multi-Instrumental Polyphonic Music
Samuel, David ; Pilát, Martin (vedoucí práce) ; Neruda, Roman (oponent)
David Samuel Představujeme generativní model pro skládání klasické i populární hudby, jehož cílem je vytvářet hudbu na lidské úrovni. Hlavní překážkou je její složitá hierarchická struktura a absence rozumného automatického vyhodnocení její kvality. Na rozdíl od ostatních prací na podobné téma se snažíme generovat symbolickou reprezentaci hudby o více nástrojích hrajících současně, abychom pokryli širší hudební spektrum. Pro samotné skládání využíváme tři moduly založené na LSTM neuronových sítích; velké úsilí je vynaloženo na zjednodušení vstupní hudební reprezentace důkladnou analýzou dostupných dat. Naše práce slouží především jako ukázka toho, že současné technologie umožňují skládání hudby. Věříme, že námi navržený hudební analyzátor a generátor poslouží jako základ pro další výzkum v této oblasti. 1
|
|
|
Identifikace 2D CT axiálních řezů pomocí konvolučních neuronových sítí
Vavřinová, Pavlína ; Harabiš, Vratislav (oponent) ; Jakubíček, Roman (vedoucí práce)
Tato práce se zabývá klasifikací 2D axiálních CT řezů pacientských dat do šesti kategorií. K tomuto záměru byla využita oblast konvolučních neuronových sítí. Pro snadnější porozumění této problematice jsou nejprve vysvětleny základy neuronových sítí obecně a poté principy hlubokého učení zahrnující konvoluční neuronové sítě. Pro účely identifikace axiálních řezů byla vybrána konkrétně síť AlexNet, která byla po uzpůsobení otestovaná na vytvořené datové sadě. Celková úspěšnost klasifikace dosáhla 86%, po finálních úpravách došlo k mírnému zlepšení, kdy identifikační schopnost činila 87%.
|
|
|
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.
|
|
|
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 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.
|
|
|
Automatické čtení SPZ s využitím technik hlubokého učení
Dobrovský, Ladislav ; Dvořák, Jiří (oponent) ; Matoušek, Radomil (vedoucí práce)
Předmětem této práce je rešerše hlubokých konvolučních umělých neuronových sítí a jejich využití na řešení problému automatického rozpoznávání státních poznávacích značek. Po přehledu teorie a současných trendů byl určen další směr vývoje. Práce zkoumá několik typů konvolučních neuronových sítí a komplexní architekturu systému spolupracujících aplikací. V praktické části je popsána implementace a výsledky experimentů se zhodnocením vhodnosti zkoumaných sítí pro praktické využití.
|
host ::
RSS.