|
|
Identifikace chodců
Jurča, Jan ; Špaňhel, Jakub (oponent) ; Hradiš, Michal (vedoucí práce)
Tato práce se zabývá identifikací osob z videa na základě rozpoznání postavy, obličeje a chůze. Pro rozpoznání postavy a chůze jsou využity předtrénované sítě. Zatímco k rozpoznání chůze je v rámci práce implementováno a srovnáno několik architektur sítí. Finální rozpoznání chodce probíhá na základě multimodální fůze realizované neuronovou sítí. Pro účely práce byl vytvořen vlastní dataset, zároveň se sadou nástrojů umožňující jeho téměř automatickou tvorbu.
|
|
|
Hluboké neuronové sítě pro rozpoznání tváří ve videu
Mihalčin, Tomáš ; Sochor, Jakub (oponent) ; Hradiš, Michal (vedoucí práce)
Táto diplomová práca sa zameriava na rozpoznanie tvári z videa, konkrétne na spôsob agregácie príznakových vektorov, do jedného diskriminatívneho vektora, tiež nazývaného šablóna. Skúma problém extrémne natočených tvárí, vzhľadom na presnosť verifikácie. Ďalej, porovnáva vzťah medzi šablónami tvorenými vektormi extrahovanými zo snímkov z videa a vektormi z fotografií. Navrhnutá hypotéza je testovaná pomocou dvoch hlbokých konvolučných neurónových sietí a to so známym modelom VGG-16 siete a modelom siete nazývanej Fingera, poskytnutej od firmy Innovatrics. V rámci práce, bolo vykonaných niekoľko experimentov, ktorých výsledky potvrdzujú úspešnosť navrhnutého postupu. Ako metrika presnosti bola zvolená ROC krivka. K práci s neurónovými sieťami bol použitý framework Caffe.
|
|
|
Aktivní učení s neuronovými sítěmi
Bureš, Tomáš ; Kolář, Martin (oponent) ; Hradiš, Michal (vedoucí práce)
Práce se věnuje problematice aktivního učení a jeho spojení s neuronovými sítěmi. Nejprve obsahuje úvod do problematiky, nastínění metod prozkoumaných metod aktivního učení. Následuje praktická část s experimenty zkoumající jednotlivé strategie a jejich vyhodnocování.
|
|
|
Automatické vyhodnocení záznamu cílové kamery
Jahoda, Vojtěch ; Zemčík, Pavel (oponent) ; Hradiš, Michal (vedoucí práce)
Tato práce řeší automatizaci vyhodnocování cílové fotografie v atletice. Detekce závodníků na cílové fotografii byla provedena pomocí knihovny OpenPose. Následně byla provedena segmentace pozadí závodníka pro odstranění šumu a ořez pro jednotlivé závodníky. Samotné vyhodnocení je řešeno pomocí regresní konvoluční neuronové sítě. Při detekci postav na fotografii bylo dosaženo přesnosti 70.94% a 89.28% vyhodnocených záznamů dosáhlo přesnosti do 10 ms. Hlavní přínos této práce je pro začínající cílové rozhodčí, neboť bude mít jíž předem k dispozici vyhodnocený cílový záznam, který mu ušetří čas. Dalším využitím je možnost pro trenéry a závodníky, kteří si budou mocí ověřit vyhodnocené záznamy.
|
|
|
Zvyšování konzistence v datových sadách pro rozpoznávání textu
Tvarožný, Matúš ; Hradiš, Michal (oponent) ; Kišš, Martin (vedoucí práce)
Táto práca sa zaoberá zvyšovaním konzistencie dátových sád pre rozpoznávanie textu. V tejto práci sú popísane problémy, ktoré nekonzistenciu spôsobujú a následne sú predstavené riešenia na jej odstránenie. Skúmaný je vplyv vlastností polygónov definujúcich ohraničenie riadkov a teda to ako upravená verzia dátovej sady, ktorá je zložená z ideálnych variant riadkov ovplyvnila presnosť modelu. Ďalej sa práca zameriava na detekciu a následné odstránenie alebo upravenie riadkov, ktorých prepis ground truth nekorešponduje so skutočným textom, ktorý sa na nich nachádza. Experimentovaním sa ukázalo, že odstránenie vizuálnej nekonzistencie na trénovacej sade nemá zásadný vplyv na natrénovanosť modelu, za to poupravením testovacej sady sa presnosť OCR modelu zlepšila o 1.1\% CER. Upravením dátovej sady tak, aby neobsahovala navzájom nekonzistentné dvojice rozpoznávaného textu a príslušnej ground truth, sa model po opätovnom natrénovaní zlepšil maximálne len o 0.2\% CER. Hlavným zistením tejto práce je predovšetkým preukázaný priaznivý účinok odstránenia nekonzistencie na testovacích sadách, vďaka ktorému je možné zistiť reálnejšiu chybovosť OCR modelu.
|
|
|
Rozpoznávání hudebních stylů
Behúň, Kamil ; Polok, Lukáš (oponent) ; Hradiš, Michal (vedoucí práce)
Tato práce se zabývá rozpoznáváním hudebních stylů. V úvodu je přehled aktuálních metod používaných při rozpoznávání hudebních stylů. Další kapitoly jsou věnovány vytvořenému systému pro rozpoznávání hudebních stylů. Výsledný systém obsahuje dvě metody extrakce příznaků. První využívá extrakci Mel-frekvenčních kepstrálních koeficientů z~nahrávek a~druhá extrakci příznaků ze spektrogramu nahrávek. Pro klasifikaci výsledný systém využívá Support Vector Machine.
|
|
|
Rozpoznání obličeje
Kopřiva, Adam ; Hradiš, Michal (oponent) ; Chmelař, Petr (vedoucí práce)
Tato diplomová práce se věnuje metodám pro rozpoznání obličeje. Popisuje metody založené na různém přístupu: znalostní metody, metody založené na rysech tváře, metody založené na modelech a metody založené na vzhledu tváře. Nejvíce se však zaměřuje na metody deformačních modelů a statistické methody, kterými jsou analýza hlavních komponent (PCA) a lineární diskriminační analýza (LDA). Podrobně popisuje princip metod deformačních modelů jako je metoda active shape models (ASM) a metoda active appearance models (AAM).
|
|
|
Hluboké neuronové sítě pro posilované učení
Ludvík, Tomáš ; Bambušek, Daniel (oponent) ; Hradiš, Michal (vedoucí práce)
Cílem této práce je použití hlubokých neuronových sítí na problém v posilovaném učení. Používám moji úpravu 2D hry Tuxánci jako testovací prostředí. Jedná se o úpravu, která zajišťuje možnosti využití hry jako prostředí pro strojového učení. Následně řeším problémy s naučením agenta pomocí posilovaného učení algoritmem Double DQN. Pomocí experimentů si prokazuji správné nastavení funkce odměn.
|
|
|
Hra s ovládáním pomocí gest ruky
Kartous, Petr ; Zemčík, Pavel (oponent) ; Hradiš, Michal (vedoucí práce)
Tato práce je zaměřena na ovládání her pomocí gest ruky. Stěžejní částí práce je segmentace obrazu a detekce ruky v obraze. Pro segmentaci obrazu jsou použity techniky detekce kůže a odečítání pozadí s adaptivním modelem pozadí. Jsou zmíněny i metody matematické morfologie pro odstranění šumu z obrazu a metody vhodné pro převedení obrazu gesta na charakteristické vlastnosti gesta v číselné podobě. V rámci práce byla vytvořena jednoduchá hra na téma automobilové závody, která je ovládána pomocí gest ruky. Na závěr bylo provedeno testování s cílem zjistit výhody a nevýhody použitých metod segmentace obrazu za účelem rozpoznání gest ruky. Bylo také testováno několik sad gest, jejichž prostřednictvím je hra ovládána. Z tohoto testování vyšly nejúspěšněji dvě sady gest, které jsou použitelné v závislosti na kvalitě rozpoznání gesta ruky.
|
|
|
Application of Mean Normalized Stochastic Gradient Descent for Speech Recognition
Klusáček, Jan ; Hradiš, Michal (oponent) ; Pešán, Jan (vedoucí práce)
The artificial neural networks are on the rise in recent years. One possible optimization technique is mean-normalized stochastic gradient descent recently proposes by Wiesler et al. [1]. This work further explains and examines this method on phoneme classification task. Not all findings of Wiesler et al. can be confirmed. The mean-normalized SGD is helpful only if the network is large enough (but not too deep) and if the sigmoid non-linear function is used. Otherwise, the mean-normalized SGD slightly impairs the network performance and therefore cannot be recommended as a general optimization technique. [1] Simon Wiesler, Alexander Richard, Ralf Schluter, and Hermann Ney. Mean-normalized stochastic gradient for large-scale deep learning. In Acoustics, Speech and Signal Processing (ICASSP), 2014 IEEE International Conference on, pages 180{184. IEEE, 2014.
|
host ::
RSS.