|
|
Implementace autoenkodéru pro zpracování obrazových dat
Sarančuk, Nikola ; Bilík, Šimon (oponent) ; Horák, Karel (vedoucí práce)
Práce se věnuje rešerši problému detekce anomálií v průmyslové inspekci. V práci je popsána umělá neuronová síť a její jednotlivé části. Práce obsahuje kapitolu, kde jsou srovnány unární, binární a multi-class klasifikátory. Dále je v práci vysvětlena architektura konvolučních neuronových sítí a architektura sítí typu autoenkodér. Poté je v práci popsán vytvořený anotovaný dataset. Nakonec je v práci popsána implementace konvolučního autoenkodéru a zhodnocena kvalita klasifikace.
|
|
|
Pokročilá analýza obrazu využitím hlubokých neuronových sítí
Hynek, Vojtěch ; Přinosil, Jiří (oponent) ; Kiac, Martin (vedoucí práce)
Tato bakalářská práce se zabývá problematikou detekce objektů v obraze s využitím konvoluční neuronové sítě. Výsledkem této práce je vlastní datová sada, model neuronové sítě YOLOv4 a skript sloužící pro zpracování výsledných dat modelu. Datová sada obsahuje 8080 snímků, na kterých je anotováno 14 objektů. Modelu neuronové sítě byla zmenšena jeho hloubka, díky které významně vzrostla rychlost samotné detekce. Skript zpracovávající výsledná data vypočítává 3D a GPS souřadnice detekovaného objektu v prostoru. V závěru práce jsou shrnuty výsledky modelu a současně je uvedeno, jakým způsobem by mohlo dojít ke zlepšení kvality datové sady.
|
|
|
Segmentace intrakardiálních záznamů
Řehoř, Jan ; Ronzhina, Marina (oponent) ; Novotná, Petra (vedoucí práce)
Tato diplomová práce se zabývá segmentací intrakardiálních záznamů EKG a je rozdělena do několika částí. První část je spjata s teoretickým seznámením problematiky, tedy například jak funguje srdce, co je intrakardiální EKG a konvoluční neuronová síť. Další části práce jsou již tvořeny praktickou částí, tedy, anotací signálu a návrhu modelu automaticky segmentující intrakaridální záznam. Po praktickou částí pokračuje zhodnocení výstupů z řešení, porovnání s řešením třetí strany a se zahraničními studiemi věnující se podobnému tématu. Poslední část práce tvoří diskuze a závěr, kde jsou shrnuty výsledky práce.
|
|
|
Detekce vybraných typů srdečních arytmií v EKG
Němečková, Karolína ; Ředina, Richard (oponent) ; Ronzhina, Marina (vedoucí práce)
Tato práce se zabývá klasifikací EKG záznamů se zaměřením na hůře klasifikovatelné arytmie (flutter síní, atriventrikulární blokáda II. a III. stupně). V teoretické části je uvedena literární rešerše v oblasti metod hlubokého učení, které byly využity pro klasifikaci EKG záznamů, se zaměřením na konvoluční neuronové sítě. Dále je popsána použitá databáze EKG záznamů se stručným popisem detekovaných arytmií. Praktická část provádí implementaci navržených konvolučních neuronových sítí v prostředí Python. Hodnocení kvality klasifikátorů proběhlo pomocí vybraných metrik se zaměřením na F1 skóre. Výsledky jsou na konci práce diskutovány.
|
|
|
Detekce obtížně diferencovatelných skupin srdečních arytmií
Kantor, Marek ; Ronzhina, Marina (oponent) ; Novotná, Petra (vedoucí práce)
Tato práce se zabývá problematikou detekčních metod fibrilace síní, flutteru síní a sinusového rytmu ze záznamu EKG. Práce rovněž pojednává o těchto arytmiích a klasifikačních algoritmech vhodných pro tuto problematiku. V rámci této práce je vytvořeno několik přístupů klasifikace. Pro extrakci příznaků je využita konvoluční neuronová síť a klasifikace je realizovaná prostřednictvím umělé neuronové sítě. Vybrána metoda 1D CNN pro tyto těžko diferencovatelné srdeční arytmie dosahuje průměrné přesnosti klasifikace F1 - skóre = 91 %. Vybrána CNN optimalizovaná pomocí GA je rychlá mělká síť s lepší přesností než hluboká síť. Vytvořené modely jsou použity i pro klasifikaci jiných typů arytmií.
|
|
|
Systém pro měření s proporcionálními detektory
Kolář, Ondřej ; Matěj, Zdeněk (oponent) ; Kubíček, Michal (vedoucí práce)
Tato práce se zabývá vývojem měřicího systému pro použití s proporcionálními detektory ionizujícího záření. Systém umožňuje snadné získání dat z proporcionálních detektorů v podobě časových průběhů, které je možné dále analyzovat. Jeho jádrem je vývojová deska Red Pitaya STEMlab 125-14, která zajišťuje záznam rychlých signálů a jejich přenos do počítače k dalšímu zpracování. V první části práce je stručně popsána teorie ionizujícího záření a proporcionálních detektorů. Dále je zdokumentována poskytnutá měřicí aparatura s uvedením provedených vylepšení. Jádrem práce je popis kompletního programového vybavení měřicí jednotky, které bylo vytvořeno. V závěru práce je uveden průběh provedeného měření, jeho výsledky a možnost využití strojového učení pro zpracování dat z proporcionálních detektorů.
|
|
|
Systém identifikace vlaků ve výhybkách pomocí pokročilých metod strojového učení
Krč, Rostislav ; Vorel,, Jan (oponent) ; Plášek, Otto (oponent) ; Podroužek, Jan (vedoucí práce)
Tato disertační práce pojednává o možnostech automatického rozpoznání vlaků ve výhybkách na základě akcelerometrických dat. Byl zohledněn současný stav poznání včetně požadavků výzkumných projektů jako S-Code, In2Track a Výhybka 4.0. V provedených experimentech byly uvažovány různé architektury umělých neuronových sítí (ANN) a statisticky vyhodnoceny různé scénáře použití. Výsledná přesnost dosáhla 89.2 % pro konvoluční neuronovou síť (CNN), která byla vybrána jako vhodná základní architektura pro další experimenty. Projevila se vysoká schopnost zobecnění problému, jelikož modely natrénované na datech z jedné lokality byly schopné určit typ lokomotivy na jiné lokalitě. Další experimenty posuzovaly vliv filtrů a redukce šumu. Ukázalo se, že natrénované modely jsou vhodné pro aplikaci in-situ s ohledem na hardwarová omezení, neboť mají malé nároky na paměť a výpočetní výkon. Kvůli omezenému množství naměřených dat byla využita data z elektrické přenosové soustavy, což umožnilo další upřesnění navržené CNN architektury. Nejvyšší přesnosti pro klasifikaci časových řad je dosaženo pomocí hluboké vícevrstvé architektury s využitím regularizačních metod jako dropout nebo normalizace batche. Využití aktivační mapy tříd (CAM) napomohlo vysvětlení rozhodovacího procesu neuronové sítě. Prezentované výsledky prokázaly proveditelnost identifikace typů vlaků přímo ve výhybce. CNN byla zvolena jako optimální architektura pro tento úkol, vzhledem k vysoké přesnosti, schopnosti automatické filtrace a rozpoznání vzorů, což umožňuje využití end-to-end strategie. Vzhledem k nízkým výpočetním nárokům je navíc možné použití natrénovaných modelů přímo na výhybce. Byly rovněž formulovány požadavky na minimální množství dat a parametry senzorů. Tato disertační práce přispívá k porozumění problematiky identifikace typů vlaků a poskytuje pevné teoretické základy pro další výzkum.
|
|
|
Klasifikace objektů zpracováním obrazu na základě změny topologie
Zbavitel, Tomáš ; Věchet, Stanislav (oponent) ; Krejsa, Jiří (vedoucí práce)
Cílem předkládané práce je vybrat vhodnou metodu klasifikace objektů pro rozpoznání znaků jednoruční prstové abecedy. Za tímto účelem byla vytvořena dostatečně mohutná množina dat, která je součástí této práce. Vytvoření množiny dat je nutné pro trénink konvoluční neuronové sítě. Dále byla nalezena vhodná topologie pro klasifikaci dat. Celá práce je implementována pomocí programu Python a byla použita open-source knihovna Keras.
|
|
|
Klasifikace UAV hyperspaktrálních obrazových dat s využitím metod hlubokého učení
Řádová, Martina ; Potůčková, Markéta (vedoucí práce) ; Kupková, Lucie (oponent)
Uvedená diplomová práce "Klasifikace UAV hyperspektrálních (HS) obrazových dat s využitím metod hlubokého učení" se v obecné rovině věnuje klasifikačním metodám hyperspektrálních snímků. Ve své rešeršní části diplomová práce podává obecný přehled metod konvolučních neuronových sítí. Na základě toho je sestaven přehledný rámec jako podklad pro vytipování vhodné metody pro tuto práci. Vybrány jsou dvě metody s otevřeným řešením v jazyce Python. Zvolenými metodami jsou Capsule Network a U-Net. Cílem práce je ověřit vhodnost těchto metod pro klasifikaci hyperspektrálních snímků krkonošské tundry s vysokým prostorovým rozlišením. Dílčím cílem je i příprava vstupních HS (54 pásem, 9 cm) dat do vhodné podoby pro vstup do sítě. Vzhledem ke složitosti architektury nebylo dosaženo všech požadovaných výsledků u metody Capsule Network. Pro účely porovnání a ověření výsledků byla použita metoda U-Net. Ta dosáhla přesnějších výsledků oproti hodnotám získávaným tradičními metodami (SVM, ML, RF a další), kdy celková přesnost byla u U-Net vyšší než 90% a u ostatních zmiňovaných metod OA nepřesáhla 88%. Zejména třídy suť a kleč vyšly výrazně přesněji než všechny ostatní třídy (UA - user's accuracy a PA - producer's accuracy přes 99%). Klíčová slova Hluboké učení, konvoluční neuronové sítě, hyperspektrální snímky,...
|
|
|
Anticurtaining - obrazový filtr pro elektronovou mikroskopii
Dvořák, Martin ; Dobeš, Petr (oponent) ; Zemčík, Pavel (vedoucí práce)
Tomografická 3D analýza v nanometrovém měřítku využívá snímky vzorků získané s využitím fokusovaného iontového svazku (FIB), při jejichž snímání ale dochází z fyzikálních důvodů k poškození "curtaining" efektem. Tato práce představuje nový přistup k odstranění curtaining efektu ze snímků pomocí strojového učení. Pro jeho odstranění je využita konvoluční neuronová síť (CNN) a technika učení s učitelem. Navržená síť pracuje s příznaky, které vytváří vlnková (wavelet) transformace a jejím výstupem je vizuálně "vyčištěný" snímek. K učení sítě je využita syntetická datová sada poškozených snímků, které jsou vytvořeny generátorem simulujícím fyzikální proces tvorby reálného snímku. Simulace se skládá z "opotřebení" vzorku pomocí fokusovaného iontového svazku (FIB) a zobrazení povrchu pomocí skenovacího elektronového mikroskopu (SEM). Nově vytvořený přístup velmi dobře pracuje i s reálně pořízenými snímky. Kvalitativní vyhodnocení představeného řešení a srovnání s jiným řešením hodnotili laici i experti na tuto problematiku. Řešení představuje nový nadějný přístup k odstranění curtaining efektu a přispívá k lepšímu postupu zpracování i porozumění snímkům pořízeným při materiálové analýze.
|
host ::
RSS.