|
|
Hudební improvizace
Angelov, Michael ; Hradiš, Michal (oponent) ; Fapšo, Michal (vedoucí práce)
Bakalářská práce sa zabývá problematikou algoritmické kompozice hudby, zejména oblastí počítačem řízené hudební improvizace. V úvodních kapitolách je uveden přehled existujícich nástrojů a přístupů nejčastěji používaných v oblasti počítačové hudby. Následně je v práci uveden návrh nového systému pracujícího na principech markovských řetězců a prediktivních stromů spolu s popisem jeho implementace. Hlavní úlohou navrhované aplikace je analýza uživatelem předložené externí MIDI nahrávky a následná tvorba nového a inovativního hudebního materiálu ve formátu MIDI s tematikou blízkou originální nahrávce, čímž se vytváři dojem počítačové improvizace na dané hudební téma.
|
|
|
Detekce a sledování objektů pomocí význačných bodů
Bílý, Vojtěch ; Hradiš, Michal (oponent) ; Juránek, Roman (vedoucí práce)
Tato práce se zabývá detekcí a sledováním objektů pomocí význačných bodů. Jsou zde popsány existující přístupy k této problematice. Je zde navržená inovovaná metoda detekce objektů založená na Obecné Houghově transformaci a iterativním prohledáváním Houghova prostoru. Na nejrůznějších typech objektu je demonstrována univerzálnost navrženého detektoru. Sledování objektů je řešeno detekcí objektu snímek po snímku.
|
|
|
Boosting a evoluční algoritmy
Mrnuštík, Michal ; Juránek, Roman (oponent) ; Hradiš, Michal (vedoucí práce)
Tato práce představuje kombinaci AdaBoostu a evolučního algoritmu. Evoluční algoritmus je použit pro hledání lineární kombinace Haarových příznaků. Z té je vytvořen slabý klasifikátor pro AdaBoost. Jsou zde popsány základy klasifikace, Haarovy příznaky a Adaboost. Uvedeny jsou také základní informace o evolučních algoritmech. Dále obsahuje teoretický popis spojení AdaBoostu a evolučního algoritmu, doplněný o některé implementační detaily. Implementace je testována na obrazových datech jako součást systému pro detekci obličeje. Výsledky jsou porovnány se samostatnými Haarovými příznaky.
|
|
|
Vyhledávání duplicitních 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. Seskupení duplikací, následný výběr nejlepší fotografie pro ponechání podle parametru nastaveného uživatelem, manuální úpravu této volby a vymazání ostatních. Dále je možné filtrování fotografií a export vybraných fotografií do ZIP archivu.
|
|
|
Detekce a rozpoznání objektů v obraze
Muzikářová, Michaela ; Hradiš, Michal (oponent) ; Zemčík, Pavel (vedoucí práce)
Tato bakalářská práce se zabývá návrhem a implementací aplikace typu klient-server, která umožňuje rozpoznání objektů v obraze a využívá již existující mobilní aplikaci. V teoretické části jsou nejprve popsány rozdíly lidského a počítačového vidění, dále detekce a rozpoznání objektů včetně vybraných metod. Další sekce obsahuje popis umělých neuronových sítí, které byly pro práci hlouběji nastudovány, spolu s jejich využitím k rozpoznání objektů. Následují informace, týkající se vybraných mobilních aplikací pro rozpoznání objektů v obraze, zakončené přehledem frameworků a knihoven, umožňujících práci s neuronovými sítěmi. Z nich byl k práci zvolen Caffe Framework. Dále je popsán průběh návrhu a řešení a vytvořený systém včetně experimentů a datasetů, použitých k ověření jeho funkčnosti.
|
|
|
Hluboké neuronové sítě v rozpoznávání obrazu
Munzar, Milan ; Kolář, Martin (oponent) ; Hradiš, Michal (vedoucí práce)
Neuronové sítě jsou dnes jeden z nejúspěšnějších modelů pro strojové učení. Můžeme je nalézt v autonomínch robotických systémech, v rozpoznávání objektů i řeči, predikci a mnoha jiných odvětvích umělé inteligence. Tato práce seznámí čtenáře s tímto modelem a jeho rozšířením, které se používá pro rozpoznávání objektů. Posléze popisuje aplikaci těchto konvolučních neuronových sítí(CNNs) pro klasifikaci obrazků na datasetech Caltech101 a Cifar-10. Na příkladu této aplikace diskutuje a měří efektivnost různých technik používaných v CNNs. Výsledky ukazují, že tyto sítě jsou bez dalších rozšíření schopné dosáhnout 80\% přesnosti na datasetu Cifar-10 a 37\% přesnosti na datasetu Caltech101.
|
|
|
Software pro detekci a rozpoznání registrační značky vozidla
Masaryk, Adam ; Hradiš, Michal (oponent) ; Špaňhel, Jakub (vedoucí práce)
Cieľom tejto bakalárskej práce je navrhnúť a vyvinúť softvér, ktorý dokáže detegovať a rozpoznávať registračné značky z obrázkov. Softvér je rozdelený na 3 časti - detekcia značky, spracovanie výstupu detektora a rozpoznanie znakov na registračnej značke. Detekciu a rozpoznanie sme sa rozhodli implementovať pomocou moderných metód využitím konvolučných neurónových sietí.
|
|
|
Generování herního prostředí na základě hudby
Vaněk, Jiří ; Fapšo, Michal (oponent) ; Hradiš, Michal (vedoucí práce)
Tématem této práce je generování herního prostředí na základě hudby. Zabývám se zde především analýzou hudby. Řeším otázku, jaké informace jsou pro generování hry užitečné a jak je z hudby můžeme získat. Návrh systému pro analýzu hudby, předložený v této práci, vychází z teorie zpracování signálů a statistické klasifikace. Navržená analýza hudby je zaměřená především na detekci rytmu, rozpoznávání hudebních žánrů a segmentaci písně. Druhá část práce se zabývá návrhem hry, která své prostředí generuje na základě dat, získaných při analýze hudby. Implementoval jsem kompletní systém pro analýzu hudby a prototyp hry, na kterém je možné zhodnotit výsledky vytvořené analýzy. Implementaci a dosažené výsledky popisuji v závěru práce.
|
|
|
Příprava trénovacích dat pomocí generativních neuronových sítí
Ševčík, Pavel ; Kolář, Martin (oponent) ; Hradiš, Michal (vedoucí práce)
Cílem této práce byla příprava trénovací datové sady pro detekci dopravních značek pomocí generativních neuronových sítí. V řešení byla použita upravená architektura U-Net a bylo experimentováno s aplikací stylů pomocí vrstev AdaIN podobně jako v modelu StyleGAN. Rozšířením reálné datové sady GTSDB o uměle vytvořené snímky bylo dosaženo úspěšnosti 80,36 %, což představuje zlepšení o 19,27 % oproti úspěšnosti detektoru natrénovanému pouze na reálných datech.
|
|
|
Biologicky inspirované metody rozpoznávání objektů
Vaľko, Tomáš ; Hradiš, Michal (oponent) ; Juránek, Roman (vedoucí práce)
Rozpoznávání objektů je jedna z mnoha úloh, ve kterých počítač stále zaostává za člověkem. Proto vývoj v této oblasti využívá poznatky z přírody a především z funkce lidského mozku. Tato práce se věnuje rozpoznávání objektů pomocí extrakce významných informací z obrazu, příznaků. Příznaky se získávají podobným způsobem, jako lidský mozek zpracovává vizuální vjemy. Následně se tyto příznaky používají pro natrénování klasifikátoru (například SVM, k-NN, ANN), pomocí kterého dochází k rozpoznávání objektů. Tato práce zkoumá fázi získávání příznaků z obrazu. Jejím cílem je zdokonalit extrakci příznaků a tím zvýšit úspěšnost rozpoznávání objektů počítačem.
|
host ::
RSS.