|
|
Jednoduché rozpoznávání písma
Hamrský, Jan ; Svoboda, Pavel (oponent) ; Polok, Lukáš (vedoucí práce)
Tato práce se zabývá vyhledáním a rozpoznáváním textu v obraze. Rozebírá problematiku extrakce příznaků a jejich použití při strojovém učení. Popisuje postup při návrhu a implementaci jednoduché aplikace pro rozpoznávání znaků strojově psaného textu.
|
|
|
Detekce vad s využitím smart kamery
Hons, Viktor ; Boštík, Ondřej (oponent) ; Honec, Peter (vedoucí práce)
.Tato diplomová práce se zabývá využitím inteligentních (smart) kamer a ověřením jejich funkcí. V první části je definován pojem inteligentní kamera, jsou představeny její jednotlivé části a nejběžnější aplikace. Dále je zpracována rešerše trhu s inteligentními kamerami od různých výrobců. Po výběru vhodného modelu kamery jsou určeny tři úlohy z reálné průmyslové aplikace - kontrola potisku kondenzátoru, kontrola potisku pivních etiket a měření rozměrů. S vybranou kamerou je provedeno řešení úloh včetně rozvržení pracoviště, scény a osvětlení. Dále je otestována spolehlivost, úspěšnost a také rychlost vytvořeného řešení.
|
|
|
Mobilní tlumočník pro Android
Homola, Vladimír ; Maršík, Lukáš (oponent) ; Beran, Vítězslav (vedoucí práce)
Tato bakalářská práce pojednává o vývoji aplikace Mobilní tlumočník, přičemž se zaměřuje na návrh vhodného uživatelského rozhraní. Cílem je vytvořit aplikaci s takovým rozhraním, se kterým budou uživatele schopni pracovat efektivně a s radostí. První část práce obsahuje shrnutí poznatků získaných studiem této problematiky. Po definování budoucího uživatele a řešeného problému je zde popsán návrh systému a jeho rozhraní následovaný popisem implementace a uživatelských testů.
|
|
|
Využití neanotovaných dat pro trénování OCR
Buchal, Petr ; Dobeš, Petr (oponent) ; Hradiš, Michal (vedoucí práce)
Vytvoření kvalitního systému rozpoznání textu (OCR) vyžaduje velké množství anotovaných dat. Získání, potažmo vytvoření anotací je nákladný proces. Tato práce se zabývá několika způsoby efektivního využití neanotovaných dat pro trénování OCR neuronové sítě. Navržené metody využívající neanotovaná data spadají do kategorie self-training algoritmů. Obecný postup navržených metod se dá sumarizovat tak, že nejprve je na omezeném množství anotovaných dat natrénován počáteční model neuronové sítě. Ten je následně spolu s jazykovým modelem použit k vygenerování pseudo-štítků neanotovaných dat. Takto strojově anotovaná data jsou zkombinována s trénovacími daty, která byla použita k vytvoření počátečního modelu a následně jsou využita k natrénování cílového modelu. Úspěšnost jednotlivých metod je měřena na ručně psaném ICFHR 2014 Bentham datasetu. Experimenty byly provedeny na dvou datových sadách, které reprezentují různou míru dostupnosti anotovaných dat. Nejlepší model trénovaný na malé datové sadě dosahuje 3.70 CER [%], což je relativní zlepšení o 42 % oproti počátečnímu modelu trénovanému pouze na anotovaných datech a nejlepší model trénovaný na velké datové sadě dosahuje 1.90 CER [%], což je relativní zlepšení o 26 % oproti počátečnímu modelu. Za pomocí navržených metod lze efektivně zvýšit úspěšnost OCR s využitím neanotovaných dat.
|
|
| |
|
|
Podpora hry Krycí jména na mobilním telefonu s OS Android
Hurta, Martin ; Fajčík, Martin (oponent) ; Smrž, Pavel (vedoucí práce)
Cílem této práce je vytvoření podpůrné aplikace ke slovní asociační deskové hře Krycí jména na mobilní telefony s operačním systémem Android. Řešení se skládá z detekce a rozpoznání herního plánu za pomoci knihoven OpenCV a Tess-two a nástrojů Google Firebase ML Kit a následovného poskytnutí podpory v průběhu hry včetně volitelné úrovně jejího ulehčení a možnosti hry na více zařízeních díky službě Hry Google Play. Tyto funkce motivují uživatele k dalšímu užívání aplikace a poskytnutí dat ve formě vygenerovaného záznamu hry, užitečného pro další vývoj a ověřování asociačních modelů nebo strategií pro automatické hraní.
|
|
| |
|
|
Využití neanotovaných dat pro trénování OCR
Buchal, Petr ; Dobeš, Petr (oponent) ; Hradiš, Michal (vedoucí práce)
Vytvoření kvalitního systému rozpoznání textu (OCR) vyžaduje velké množství anotovaných dat. Získání, potažmo vytvoření anotací je nákladný proces. Tato práce se zabývá několika způsoby efektivního využití neanotovaných dat pro trénování OCR neuronové sítě. Navržené metody využívající neanotovaná data spadají do kategorie self-training algoritmů. Obecný postup navržených metod se dá sumarizovat tak, že nejprve je na omezeném množství anotovaných dat natrénován počáteční model neuronové sítě. Ten je následně spolu s jazykovým modelem použit k vygenerování pseudo-štítků neanotovaných dat. Takto strojově anotovaná data jsou zkombinována s trénovacími daty, která byla použita k vytvoření počátečního modelu a následně jsou využita k natrénování cílového modelu. Úspěšnost jednotlivých metod je měřena na ručně psaném ICFHR 2014 Bentham datasetu. Experimenty byly provedeny na dvou datových sadách, které reprezentují různou míru dostupnosti anotovaných dat. Nejlepší model trénovaný na malé datové sadě dosahuje 3.70 CER [%], což je relativní zlepšení o 42 % oproti počátečnímu modelu trénovanému pouze na anotovaných datech a nejlepší model trénovaný na velké datové sadě dosahuje 1.90 CER [%], což je relativní zlepšení o 26 % oproti počátečnímu modelu. Za pomocí navržených metod lze efektivně zvýšit úspěšnost OCR s využitím neanotovaných dat.
|
|
|
Detekce vad s využitím smart kamery
Hons, Viktor ; Boštík, Ondřej (oponent) ; Honec, Peter (vedoucí práce)
.Tato diplomová práce se zabývá využitím inteligentních (smart) kamer a ověřením jejich funkcí. V první části je definován pojem inteligentní kamera, jsou představeny její jednotlivé části a nejběžnější aplikace. Dále je zpracována rešerše trhu s inteligentními kamerami od různých výrobců. Po výběru vhodného modelu kamery jsou určeny tři úlohy z reálné průmyslové aplikace - kontrola potisku kondenzátoru, kontrola potisku pivních etiket a měření rozměrů. S vybranou kamerou je provedeno řešení úloh včetně rozvržení pracoviště, scény a osvětlení. Dále je otestována spolehlivost, úspěšnost a také rychlost vytvořeného řešení.
|
|
| |
host ::
RSS.