|
|
Detekce škodlivosti komunikačních partnerů a jejich sítí
Kučera, Rostislav ; Homoliak, Ivan (oponent) ; Očenášek, Pavel (vedoucí práce)
S rostoucí závislostí populace na elektronických zařízeních, roste také riziko ztráty nebo zneužití dat. Se zvyšujícím se množstvím útoků v počítačových sítích, nabírají systémy pro detekci škodlivého provozu na důležitosti. Cílem této práce je teoretický rozbor a implementace modulů pro detekci maligní počítačové komunikace pomocí metod strojového učení, konkrétně pomocí modelu neuronové sítě, a statistické analýzy, které jsou nasazeny v rámci rozšířeného systému pro detekci průniku Snort.
|
|
|
Využití neuronových sítí pro odhad dynamických veličin
Dufek, Martin ; Repka, Martin (oponent) ; Zháňal, Lubor (vedoucí práce)
Cílem diplomové práce je ověřit použitelnost neuronových sítí k predikci dynamických veličin automobilu. Některé dynamické veličiny vozidel jsou těžko měřitelné, nebo je nutné je dopočítávat, přičemž měření takových veličin může vyjít velmi draze. Pokud by však neuronové sítě dokázaly hodnoty predikovat s přijatelnou chybou, jednalo by se o dostupnější a ekonomičtější metodu. Ověření bylo provedeno vytvořením dvou rekurentních neuronových sítí pro odhad veličin úhlu směrové úchylky a podélných sil na všech kolech automobilu. V práci jsou popsány jednotlivé kroky vytvoření sítí od zpracování vstupních dat až po vyhodnocení predikcí sítí. Výsledky ukazují, že lze využít neuronové sítě k určení dynamických veličin a pro některé účely jimi nahradit drahá měření. V závěru jsou formulovány důležité poznatky získané během vytváření neuronových sítí, které mohou pomoci s vytvářením nových sítí pro odhad dynamických veličin automobilu a je zde nastíněno další možné vylepšení vytvořených neuronových sítí.
|
|
|
Sémantická segmentace leteckých snímků
Pazdera, Jiří ; Králík, Jan (oponent) ; Adámek, Roman (vedoucí práce)
Tato práce se zabývá sémantickou segmentací leteckých snímků a jejich následným využitím pro plánování trasy zachyceným terénem. První část představuje úvod do dané problematiky a teoretický popis současného stavu poznání. Část druhá popisuje testování dostupných segmentačních metod, vývoj vlastní datové sady a trénování existujícího modelu neuronové sítě. Na závěr je demonstrována možnost plánování trasy pomocí vhodného algoritmu.
|
|
|
Detekce objektů na mikrokontroleru i.MX RT
Kravchuk, Marina ; Rozman, Jaroslav (oponent) ; Janoušek, Vladimír (vedoucí práce)
Tato práce se zaměřuje na využití strojového učení, zejména konvolučních neuronových sítí, v průmyslových aplikacích. Průběh práce zahrnuje zkoumání implementace těchto sítí přímo na vestavěných zařízeních, konkrétně na mikrokontrolérech NXP i.MX RT. Během studia byly prozkoumány materiály týkající se trénování a použití neuronových sítí a jejich optimalizace pro nasazení na zařízeních s nízkým výkonem. Bylo natrénováno a otestováno několik modelů neuronových sítí, z nichž nejlepší byl použit v konečné verzi aplikace. Samotná aplikace je rozdělena do dvou částí: jedna část je napsána v jazyce C/C++ v prostředí MCUXpresso IDE, kde je implementována hlavní funkcionalita programu, zatímco druhá část práce, tj. vytvoření grafického uživatelského rozhraní pro ovládání programu, je provedena v jazyce Python. Výsledkem je funkční aplikace pro mikrokontrolér MIMXRT1170-EVK, která je schopna detekovat a rozpoznávat malé barevné objekty určitých tvarů z předem definované sady dat.
|
|
|
Klasifikace akcelerometrických dat v rámci pacientského záznamu EKG
Kindl, Zdeněk ; Ředina, Richard (oponent) ; Bulková, Veronika (vedoucí práce)
Předmětem bakalářské práce je klasifikace akcelerometrických dat pacienta. Cílem je zlepšení objasnění patologií v EKG signálu. Klasifikace probíhá na datech, která byla naměřena zařízením Bittium Faros 180L. Byla vytvořena vlastní databáze pohybů. Pacientská data jsou zpracovávána pomocí rekurentní neuronové sítě. Ta rozdělí pohyby do tří základních skupin: klidová aktivita, mírná aktivita, vysoká aktivita. Výstupem je soubor s anotací pohybu. Práce obsahuje popis neuronových sítí, data, zpracování dat a vytvoření neuronové sítě s kódy.
|
|
|
Rekonstrukce poškozených audio signálů pomocí deep unrolling
Kment, František ; Myška, Vojtěch (oponent) ; Mokrý, Ondřej (vedoucí práce)
Práce se zabývá problematikou restaurace audiosignálu pomocí tradičních optimalizačních metod v kombinaci s metodami deep unrolling. Byla formulována optimalizační úloha doplňování chybějících úseků audio signálu a byl zvolen a následně implementován proximální algoritmus FISTA. Dále byly implementovány 3 unrolled varianty algoritmu (Unrolled Fista Net), z nichž 2 byly dále optimalizovány pomocí testů na zvoleném testovacím datasetu a naučeny na datasetu Nsynth. Výsledky naučených sítí byly porovnány jak s konkurenčními metodami, tak s původní neučenou variantou algoritmu. Porovnáváno bylo pomocí objektivních metrik (MSE, SNR, PEAQ, PEMO-Q) a subjektivního poslechového testu.
|
|
|
Detekce poškození povrchu materiálu z fotografie
Marek, Radek ; Sakin, Martin (oponent) ; Dyk, Tomáš (vedoucí práce)
Tato práce se zaměřuje na využití několika typů neuronových sítí pro detekci poškození povrchu materiálů z fotografií a hodnotí jejich účinnost. Identifikace různých typů poškození, jako jsou trhliny, škrábance a další defekty, je nezbytná pro posouzení kondice materiálů a může upozornit na potřebu další údržby nebo oprav. Použití pokročilých neuronových sítí umožňuje přesnější detekci a klasifikaci poškození, což je klíčové pro aplikace v oblastech jako stavebnictví, automobilový průmysl a letecké inženýrství, kde rychlá a spolehlivá diagnostika materiálových vad je kritická. Integrace těchto technologií do pravidelných inspekčních procesů může významně zlepšit prevenci havárií a prodloužit životnost konstrukčních komponent. Práce dále diskutuje možnosti zlepšení a adaptace algoritmů na specifické materiály a typy poškození. Tato práce tedy ukazuje, jak mohou pokročilé technologie strojového učení významně přispět k efektivnějšímu a spolehlivějšímu monitorování stavu materiálů, což otevírá cesty pro budoucí inovace v oblasti údržby a bezpečnosti.
|
|
|
Možnosti neuronových sítí využívajících transformery pro zpracování medicínských obrazů
Valík, Tomáš ; Nohel, Michal (oponent) ; Chmelík, Jiří (vedoucí práce)
Tato diplomová práce se zabývá možnostmi využití neuronových sítí založených na architektuře transformerů pro zpracování medicínských obrazů. Hlavním cílem bylo porovnat výkonnost modelů ResNet18 a Vision Transformer (ViT-B-16) na dvou odlišných datasetech, konkrétně Intel Image Classification a ChestXray. Modely byly optimalizovány pomocí frameworku Optuna a nakonec byl každý z nich trénován desetkrát pro zajištění robustnosti výsledků. ty ukazují, že modely využívající Vision Transformery dosahují vyšších hodnot váženého F1 skóre ve srovnání s modely ResNet18. Konkrétně dosáhl model ViT-B-16 nejvyššího F1 skóre 0,939 na datasetu Intel Image a 0,907 na datasetu ChestXray, zatímco ResNet18 dosáhl hodnot 0,883, respektivě 0,885. Statistické analýzy pomocí Wilcoxonova testu potvrdily, že rozdíly ve výkonnosti mezi modely jsou statisticky signifikantní, což naznačuje výhodu použití Vision Transformerů pro tyto úlohy. Uveden je také rozbor výpočetní náročnosti, která je pro ViT mnohem vyšší.
|
|
|
Detekce začátku a konce komplexu QRS s využitím hlubokého učení
Müller, Jakub ; Šaclová, Lucie (oponent) ; Smíšek, Radovan (vedoucí práce)
Měření EKG je základním diagnostickým nástrojem zdravotního stavu srdce a automatizace jeho analýzy může přispět ve zdravotnictví k odhlečení pracovní zátěže personálu nebo ke zlepšení kvality automatické diagnostiky z nositelných zařízení. Tato práce se zaměřuje konkrétně na komplex QRS v signále EKG, s hlavním cílem aplikování metod hlubokého učení k detekci jeho počátku a konce. V teoretickém úvodu je čtenář seznámen s původem komplexu QRS a měřením EKG, umělými neuronovými sítěmi a hlubokým učením. Pro implementaci vlastní metody byla zvolena architektura U-Net modifikovaná pro 1D signály. Data byly čerpány z pěti veřejně přístupných databází, jejich předzpracování proběhlo v prostředí Matlab. Následoval přesun do prostředí Python kde byly realizovány části modelu s použitím knihoven TensorFlow a Keras, následné trénování, testování modelu a vyhodnocení výsledků.
|
|
| |
host ::
RSS.