|
|
Zvyšování kvality videa pomocí konvolučních sítí
Skácel, David ; Špaňhel, Jakub (oponent) ; Hradiš, Michal (vedoucí práce)
Konvoluční neuronové sítě dnes představují v oblasti zpracování obrazu jeden z nejmodernějších přístupů k řešení problémů, jakými jsou například redukce kompresních artefaktů či zvyšování prostorového rozlišení obrazu. Některé výzkumné skupiny již dokazují, že lze tyto sítě adaptovat ke zpracování videa a využít tak přidané informace v čase ke zvětšení prostorového rozlišení videa či dosáhnout lepší úrovně komprese při zachování detailů. Otázkou, zdali je možné využít tento přístup také pro zvýšení časového rozlišení reálného videa, se zabývám v této práci. K tomu využívám konvolučních neuronových sítí, které, jak popisuji, dokáží do jisté míry interpolovat vstupní videosnímky ze skutečných videozáznamů, jsou-li dostatečně kvalitní, a napomoci tak zvýšení snímkové frekvence videa. Dosažené výsledky, ač pozitivní, jsou spíše mezikrokem na cestě za vhodnějším využitím těchto sítí k řešení daného problému.
|
|
|
Detekce graffiti tagů v obraze
Pavlica, Jan ; Hradiš, Michal (oponent) ; Špaňhel, Jakub (vedoucí práce)
Tato práce se zaměřuje na možnost využití současných metod v oblasti počítačového vidění za účelem automatické detekce graffiti tagů v obraze. Tagy jsou nejčastějším projevem graffiti, který slouží jako podpis autora. V rámci práce byly otestovány state-of-art detekční systémy, z nichž se nejvíce osvědčil Single Shot MultiBox Detector. Bylo u něj dosaženo 75,7% AP.
|
|
|
Paralelní trénování hlubokých neuronových sítí
Šlampa, Ondřej ; Sochor, Jakub (oponent) ; Hradiš, Michal (vedoucí práce)
Cílem této práce je navrhnou způsob jak zhodnotit výhodnost použití paralelního trénování neuronových sítí. V této práci jsem provedl analýzu paralelního trénování se zaměřením na délku trénování. Vycházím ze sekvenční délky trénování a délky přenosu vah po síti. Výsledkem této práce je návrh vzorců, které slouží k odhadu zrychlení na více výpočetních jednotkách. Tyto vzorce je možné použít na zjištění ideálního počtu pracovních jednotek pro trénování.
|
|
|
Výpočet mapy disparity ze stereo obrazu
Tábi, Roman ; Maršík, Lukáš (oponent) ; Španěl, Michal (vedoucí práce)
Diplomová práca sa zameriava na výpočet mapy disparity s použitím konvolučnej neurónovej siete. Preberá problematiku použitia konvolučných neurónových sietí pre porovnanie obrazov a výpočet disparity zo stereo obrazu ako aj existujúce prístupy pre riešenie zvoleného problému. Navrhuje a implementuje systém pozostávajúci z konvolučnej neurónovej siete pre odhad podobnosti dvoch výrezov obrazu, a metód pre filtráciu a vyhladenie výslednej mapy disparity. Experimenty a výsledky ukázali, že najkvalitnejšie disparitné mapy generuje riešenie, kde neurónová sieť porovnáva výrezy s rozmermi 9x9 pixlov v spojení s algoritmom pre agregáciu a korekciu párovacej ceny a bilaterálnym filtrom.
|
|
|
Detekce a rozpoznání hub v přirozeném prostředí
Steinhauser, Dominik ; Juránek, Roman (oponent) ; Špaňhel, Jakub (vedoucí práce)
Práce řeší problém detekce a klasifikace hub na fotografiích v přirozeném prostředí. K řešení jsem použil konvoluční neuronové sítě. Začátek práce je věnován teorii neuronových sítí. Dále je v práci řešena detekce hub a jejich klasifikace. S pomocí plně konvoluční neuronové sítě je vyřešen i problém lokalizace hub. Výsledky naučených neuronových sítí jsou analyzovány.
|
|
|
Počítačová podpora rozpoznávání a klasifikace rodových erbů
Vídeňský, František ; Kočí, Radek (oponent) ; Zbořil, František (vedoucí práce)
Tato diplomová práce se zabývá návrhem systému pro rozpoznávání a klasifikaci rodových erbů jako celku i jeho jednotlivých heraldických součástí. V práci jsou představeny metody počítačového vidění pro segmentaci a detekci objektu a vybrány nejvhodnější z nich. Převážná část součástí erbu je segmentovaná pomocí konvolučních neuronových sítí a zbylé pomocí aktivních kontur. Pro detekci erbů v obraze byla vybrána metoda Histogramu orientovaných gradientů. Pro trénování i ověření funkčnosti je využita vlastní datová sada. Výsledný systém je možné použít jako pomocný nástroj v pomocných vědách historických.
|
|
|
Deep neural networks and their application for economic data processing
Witzany, Tomáš ; Mrázová, Iveta (vedoucí práce) ; Křen, Tomáš (oponent)
Název práce: Hluboké neuronové sítě a jejich využití při zpracování ekonomických dat Autor: Bc. Tomáš Witzany Katedra: Katedra teoretické informatiky a matematické logiky Vedoucí diplomové práce: Doc. RNDr. Iveta Mrázová, CSc., Katedra teoretické informatiky a matematické logiky Abstrakt: Analýza makroekonomických časových řad je klíčová pro informovanost rozhodnutí politiků na národní úrovni. Analýza ekonomických údajů má boha- tou historii a zejména v oblasti modelování nelineárních závislostí zůstává mnoho otevřených otázek. K moderním nástrojům pro analýzu časových řad patří mimo jiné metody strojového učení. Z těchto metod neuronové sítě patří k jedné z nejpoužívanějších, jak modelovat nelineární závislosti. Cíl této práce spočívá ve studiu hlubokých neuronových sítí, analýze jejich vlastností a posouzení jejich kvalit pro řešení úloh, například prognózu vývoje HDP nebo klastrování zemí. Použité modely zahrnují vrstevnaté neuronové sítě, LSTM sítě, konvoluční sítě a Kohonenovy mapy. K analýze a testování studovaných modelů byla použita historická data poskytovaná Organizací spojených národů a Světovou bankou. Tato data zahrnují historii makroekonomického vývoje přes...
|
|
|
Neural networks for automatic speaker, language, and sex identification
Do, Ngoc ; Jurčíček, Filip (vedoucí práce) ; Peterek, Nino (oponent)
Název: Neuronové sítě pro automatické rozpoznávání řečníka, jazyka a pohlaví Autorka: Bich-Ngoc Do Katedra: Ústav formální a aplikované lingvistiky Vedoucí práce: Ing. Mgr. Filip Jurek, Ph.D., Ústav formální a aplikované lingvistiky, a Dr. Marco Wiering, Institut umělé inteligence a kognitivních věd, Fakulta matematiky a přírodních věd, Univerzita v Groningenu Abstrakt: Rozpoznávání řečníka je náročný úkol a má využití v mnoha oblastech, například využítí pro autorizaci nebo forenzní vědě. V posledních letech se rozšířil koncept učení hlubokých, především hluboké neuronové sítě, které se ukázaly jako schopná technika strojového učení a dosáhly výborných úspěchů v mnoha oblastech výzkumu zpracování přirozeného jazyka a zpra- cování mluveného slova. Tato práce si dává za cíl prozkoumat možnosti modelu hlubokých neuronových sítí, rekurentních neuronových sítí v úloze rozpoznávání řečníka. Námi navržené systémy byly vyhodnoceny na kor- pusu TIMIT pro úlohu identifikace řečníka. V porovnání s jinými systémy za stejných testových podmínkách náš systém nedosáhl referenčních výsledků kvůli nedostatku validačních dat. Naše experimenty ukázaly, že nejlepší konfigurace systému je...
|
|
|
Deep neural networks and their application for image data processing
Golovizin, Andrey ; Mrázová, Iveta (vedoucí práce) ; Holan, Tomáš (oponent)
V oblasti rozpoznávání obrázků dnes patří k nejslibnějším modelům tzv. hluboké neuronové sítě, které často dosahují výrazně lepších výsledků než tradiční techniky, navíc bez nutnosti cíleného předzpracování vstupních dat. Tato práce se zabývá studiem a analýzou vlastností tří základních variant hlubokých neuronových sítí, a to neokognitronu, konvolučních neuronových sítí a DBN-sítí (deep belief networks). Na základě rozsáhlého testování popisovaných modelů na standardní úloze rozpoznávání ručně psaných číslic se jako nejvhodnější pro rozpoznávání obecných obrazových dat jeví konvoluční neuronové sítě. Ty jsme proto použili i při rozpoznávání obrázků z rozsáhlých datových sad CIFAR-10 a ImageNet. Pro optimalizaci architektury použité sítě jsme navrhli vlastní algoritmus prořezávání založený na analýze hlavních komponent (PCA). Powered by TCPDF (www.tcpdf.org)
|
|
|
Deep neural networks and their implementation
Vojt, Ján ; Mrázová, Iveta (vedoucí práce) ; Božovský, Petr (oponent)
Hluboké neuronové sítě jsou efektivní a univerzální model schopný řešit širokou škálu úloh. Tato práce je zaměřena na studium tří různých typů hlubokých neuronových sítí - vícevrstvý perceptron, konvoluční neuronové sítě, a sítě typu DBN (deep belief). Všechny popisované modely hlubokých neurónových sítí jsou naimplementovány na paralelní hardvérové architektuře, a otestovány pro různa nastavení architektury sítě i jejích parametrů. Implementovaný systém je doplněn detailní dokumentací softvérového návrhu a popisem použitých optimalizací. Efektivitu implemenetovaného frameworku dokládají i výsledky provedených výkonnostních testů. Významnou součást práce představuje i testování dalších existujících frameworků s podporou hlubokých neuronových sítí. Porovnání ukazuje, že framework vytvořený v rámci této práce dosáhl lepších výkonnostních výsledků než testované konkurenční implementace vícevrstvých perceptronů a konvolučních neuronových sítí. Implementace sítí typu DBN dosahuje v porovnání s konkurenční implementací mírně lepších výkonnostních výsledků pro RBM vrstvy o velikosti do 1000 neuronů, ale znatelně slabších výkonnostních výsledků pro robustnější RBM vrstvy. Powered by TCPDF (www.tcpdf.org)
|
host ::
RSS.