|
|
Hraní her pomocí neuronových sítí
Buchal, Petr ; Kolář, Martin (oponent) ; Hradiš, Michal (vedoucí práce)
Cílem této práce je naučit neuronovou síť pohybu v prostředích s klasickou kontrolou řízení, hraní tahové hry 2048 a několika Atari her. Jedná se o oblast zpětnovazebního učení. Jako zpětnovazební algoritmus využívající neuronové sítě jsem použil Hluboké Q-učení. Ten jsem pro zvýšení efektivity učení obohatil o několik vylepšení. Mezi vylepšení patří přidání cílové sítě, DDQN, duální architektura neuronové sítě a prioritní vzpomínková paměť. Experimenty s klasickou kontrolou řízení zjistily, že nejvíce zvedá efektivitu učení přidání cílové sítě. V prostředích her dosáhlo Hluboké Q-učení několikanásobně lepších výsledků než náhodný hráč. Výsledky a jejich analýza mohou být využity ke vhledu do problematiky zpětnovazebních algoritmů využívajících neuronové sítě a zdokonalení použitých postupů.
|
|
| |
|
|
Vyhledávání duplicit a vyhodnocení kvality fotografií
Sklenář, Zdeněk ; Hradiš, Michal (oponent) ; Zemčík, Pavel (vedoucí práce)
Tato bakalářská práce se zabývá analýzou, návrhem, implementací a otestováním aplikace, která slouží k vyhledání duplikací ve fotografiích podle Exif metadat. Aplikace dále umožňuje zobrazení náhledu fotografie, včetně Exif metadat fotografie. Filtrování fotografií. Seskupení duplikací, následný výběr nejlepší fotografie pro ponechání podle parametru nastaveného uživatelem, manuální úpravu této volby a vymazání ostatních. Export vybraných fotografií do ZIP archivu.
|
|
|
Board Game User Interface with a Camera
Cihlářová, Dita ; Hradiš, Michal (oponent) ; Zemčík, Pavel (vedoucí práce)
The aim of this work is to create a system that would be able to substitute a real opponent in a board game Horse Races and Bets. The game is observed by a camera that transmits images to a computer. The image is then processed and game objects are identified. After that, the application can analyse a current status of the game and decide about the next move of the artificial player. The decision-making algorithm is able to react to every game situation and thus play the game to the end. The application can be used by players that like to play Horse Races and Bets, but currently do not have an opponent, and for demonstrating the possibilities of computer vision.
|
|
|
Facial image restoration
Bako, Matúš ; Herout, Adam (oponent) ; Hradiš, Michal (vedoucí práce)
In this thesis, I tackle the problem of facial image super-resolution using convolutional neural networks with focus on preserving identity. I propose a method consisting of DPNet architecture and training algorithm based on state-of-the-art super-resolution solutions. The model of DPNet architecture is trained on Flickr-Faces-HQ dataset, where I achieve SSIM value 0.856 while expanding the image to four times the size. Residual channel attention network, which is one of the best and latest architectures, achieves SSIM value 0.858. While training models using adversarial loss, I encountered problems with artifacts. I experiment with various methods trying to remove appearing artefacts, which weren't successful so far. To compare quality assessment with human perception, I acquired image sequences sorted by percieved quality. Results show, that quality of proposed neural network trained using absolute loss approaches state-of-the-art methods.
|
|
|
Pomůcka pro korektury textů
Zatloukal, Jakub ; Hradiš, Michal (oponent) ; Zemčík, Pavel (vedoucí práce)
Cílem práce bylo vytvořit jednoduchou aplikaci, která by umožňovala vpisování korekturních znamének, poznámek a dalších informací do elektronického dokumentu. Rozhraní této aplikace mělo být dostatečně intuitivní a jednoduché tak, aby mohla být efektivně využita bez studování složitých manuálů nebo nutnosti zaučování druhou osobou. Dalším požadavkem bylo, aby korekturní informace bylo možné snadno předat elektronicky. Výsledkem je aplikace, která dokáže veškeré vepsané korekturní informace uložit do samostatného souboru a vkládat připravená korekturní znaménka. Soubor s korekturou je velikostně úspornější než celý dokument. Skrze testování vyšlo najevo, že aplikace je dost intuitivní, jednoduchá a vizuálně přívětivá, ale méně prakticky využitelná. Její hlavní předností je jednoduché a přímočaré rozhraní do jisté míry přizpůsobené potřebám korektora.
|
|
|
Detekce obličeje
Šašinka, Ondřej ; Hradiš, Michal (oponent) ; Juránek, Roman (vedoucí práce)
Tato diplomová práce se zabývá detekcí obličeje v obraze. Bude zde uveden přístup, který nejprve detekuje jednotlivé obličejové rysy (oči, nos, koutky úst), které pak podle určitých pravidel spojuje do výsledné detekce obličeje. Pro detekci obličejových rysů jsou použity klasifikátory natrénované algoritmem AdaBoost. Jako příznaky pro klasifikaci jsou použity Haarovy vlnky.
|
|
|
Využití autoenkodérů pro tvorbu hlubokých sítí
Lohniský, Michal ; Veselý, Karel (oponent) ; Hradiš, Michal (vedoucí práce)
Tato práce se zabývá předtrénováním hlubokých sítí autoenkodéry. V prvních kapitolách jsou popsány prvky neuronové sítě. Další kapitoly jsou věnovány trénování hlubokých sítí a výsledkům, ve kterých je porovnáváno předtrénování autoenkodéry a algoritmus Backpropagation. Z výsledků experimentů na dvou datasetech vyplývá, že předtrénování autoenkodéry má kladný přínos, zvláště v kombinaci s Finetuningem.
|
|
|
Detekce dopravních značek
Ťapuška, Tomáš ; Beran, Vítězslav (oponent) ; Hradiš, Michal (vedoucí práce)
Táto bakalárska práca sa zaoberá detekciou dopravných značiek v obraze. Popisuje známe postupy, ich výhody a nevýhody. Je v nej uvedený popis implementácie systému pre detekciu dopravných značiek. V poslednej kapitole sú uvedené testy prevedené na systéme s využitím testovacej sady, ktorú som zostavil a anotoval.
|
|
|
ASL Fingerspelling Recognition Using Slow Feature Analysis
Winkler, Martin ; Hradiš, Michal (oponent) ; Burget, Lukáš (vedoucí práce)
This work describes the process of testing slow feature analysis as a method of extracting rhobust features from complex image data of american sign language. For purposes of testing a system in python is created that facilitates test runs and offers rich scale of changable specifications to allow the user run various tests in order to determine how viable the method is for classification and recognition of hand shapes. The theoretical part introduces the slow feature analysis, discusses the structure of the system and describes the dataset on which the method is to be observed. In practical part the method was subjected to performance analysis on seen and unseen speakers, its viability with higher number of gestures and some interesting input data formatting in attempt to improve the performance.
|
host ::
RSS.