|
|
Lokalizace intrakraniálních hemoragií v axiálních řezech CT snímků hlavy.
Kopečný, Kryštof ; Chmelík, Jiří (oponent) ; Nemček, Jakub (vedoucí práce)
Tématem této práce je lokalizace intrakraniálních krvácení na snímcích počítačové tomografie pomocí jednofázového a dvoufázového detektoru založených na konvolučních neuronových sítích. Práce mimo základní poznatky z umělé inteligence klíčové pro pochopení procesu detekce objektů podává medicínské informace o patologii a zobrazování krvácení. Znalosti ze zmíněných okruhů se využijí pro vlastní návrh algoritmu pracujícím s veřejně dostupnými databázemi CT snímků hlavy a jejich anotací CQ500 a BHX. Součástí práce je vyhodnocení výsledků a jejich diskuse.
|
|
|
Detekce buněk ve snímcích zachycených pomocí mikroskopie
Hubálek, Michal ; Štursa, Dominik (oponent) ; Škrabánek, Pavel (vedoucí práce)
Cílem diplomové práce bylo vytvořit aplikaci automaticky detekující zdravé buňky kardiomyocytů ze snímků zachycených konfokálním mikroskopem. Práce vznikla na základě konkrétních potřeb výzkumníků ze Slovenské akademie věd, kterým usnadní práci a ušetří čas, protože doposud musejí snímky vyhodnocovat a hledat vhodné buňky ručně. Pro detekci je použita konvoluční neuronová síť RetinaNet, která byla implementována do uživatelsky přívětivé desktopové aplikace. Aplikace také automaticky zaznamenává a ukládá souřadnice detekovaných buněk využitelné pro snímání buněk ve vyšší obrazové kvalitě. Další výhodou vytvořené aplikace je univerzálnost, která umožňuje natrénovat detekci i na jiných datech, čímž je použitelná i na dalších detekčních projektech. Výsledkem práce je funkční, samostatně spustitelná a intuitivní aplikace, která je připravena k použití výzkumníky.
|
|
|
Počítání vozidel ve statickém obraze
Vágner, Filip ; Juránek, Roman (oponent) ; Špaňhel, Jakub (vedoucí práce)
Úkolem této práce je porovnání modelů konvolučních neuronových sítí určených k počítání vozidel ve statickém obraze pomocí odhadu hustoty se zaměřením na rozdílné velikosti objektů ve scéně. Celkem byly vyhodnoceny čtyři modely - Scale Pyramid Network, Scale-adaptive CNN, Multi-scale fusion network a CASA-Crowd. Vyhodnocení proběhlo na třech datových sadách - TRANCOS, CARPK, PUCPR+. Nejlepších výsledků dosáhl model Scale Pyramid Network. Na datové sadě TRANCOS dosáhl v metrice Mean Absolute Error hodnoty 5,44 a v metrice GAME(3) hodnoty 9,95.
|
|
|
Enhancement of image quality for security forces
Varga, Adam ; Galáž, Zoltán (oponent) ; Burget, Radim (vedoucí práce)
This bachelor thesis deals with image quality enhancement for security forces. Image quality enhancement in this case means increasing the resolution of image data by using super-resolution techniques using models of deep convolutional neural networks. The thesis in its theoretical part describes the principles of the operation of this technique and in its practical part is presented the work with selected state-of-the-art models in the area of super-resolution.
|
|
|
Evoluční návrh klasifikátoru obrazů
Koči, Martin ; Bidlo, Michal (oponent) ; Drahošová, Michaela (vedoucí práce)
Táto práca sa zaoberá evolučným návrhom klasifikátora obrazov pomocou genetického programovania, konkrétne kartézskeho genetického programovania. Práca popisuje teoretické základy strojového učenia, evolučných algoritmov a genetického programovania. Súčasťou práce je popísaný návrh programu a jeho implementácia. Ďalej sú vykonané experimenty na dvoch riešených úlohách pre klasifikáciu ručne písaných číslic a klasifikáciu obrázkov kociek pomocou, ktorých sa dá určiť miera demencie pri Parkinsonovej chorobe. Najlepšie navrhnuté riešenie pre čísla má AUC 0.95 a pre kocky 0.86. Navrhnuté riešenia sú porovnané s inými metódami, konkrétne konvolučnými neurónovými sieťami (CNN) a metódou podporných vektorov (SVM). Výsledná AUC pre klasifikáciu číslic, je pre obe CNN a aj SVM 0.99 pre kocky mala CNN výslednú AUC 0.81 a SVM 0.69. Kocky sú následne porovnané z existujúcim riešením, pri ktorom bola výsledná AUC 0.70, takže na základe výsledkov experimentov je vidieť zlepšenie pri použitej metóde v tejto práci.
|
|
|
Algoritmické řešení stanovení věku osoby na základě 2D fotografie za využití umělé inteligence
Bednář, Pavel ; Goldmann, Tomáš (oponent) ; Drahanský, Martin (vedoucí práce)
Automatizované určení věku člověka z fotky obličeje představuje jednu z výzev v oblasti umělé inteligence a strojového učení. Určit věk, je i pro člověka mnohdy netriviální záležitost, narozdíl od jiných biologických charakteristik, jako je určení pohlaví nebo rasové příslušnosti. Přitom informace o věku jedince je pro určité situace velmi podstatná. Například při spáchání nějakého přestupku či trestného činu o výši trestu spolurozhoduje právě věk. Dále tuto informaci lze využít při analýze zákazníků komerčního subjektu a následnému přizpůsobení nabídky. Cílem této práce je tedy umět z fotografie lidského obličeje extrahovat jeho věk. Algoritmus se skládá ze dvou modulů. Pokud první modul řekne, že je osoba mladší 14 let, půjde obrázek ještě do druhého modulu. Dále je představena ještě jedna verze algoritmu s přidaným modulem zaměřeným na vybrané obličejové rysy. Ve všech modulech se nad obrázkem provedou transformace, jejichž výsledky se zprůměrují. Na závěr je algoritmus vyhodnocen na standardních datasetech pro určení věku a porovnán s aktuálně používanými metodami v této oblasti.
|
|
|
Navádění pomocí kamery
Ficek, Dominik ; Honec, Peter (oponent) ; Richter, Miloslav (vedoucí práce)
Práce se zabývá stanovením pozice kamery vzhledem ke stanovenému systému souřadnic. Tento souřadnicový systém je dán polohou definovaných značek v prostoru. Jakožto zpětná vazba pro kontrolu správnosti stanovení pozice je zvoleno navádění kurzoru na monitoru. Cílem práce je navrhnout metody navádění kurzoru pomocí kamery pracující v reálném čase. V práci je popsána základní teorie zpracování obrazu, využití umělé inteligence v oblasti počítačového vidění a problematiky 3D rekonstrukce. Dále je uveden návrh dvou metod pro ovládání kurzoru pomocí jedné kamery. První metoda definuje pevný souřadnicový systém a pohybem kamery je realizováno navádění kurzoru. Druhá metoda pracuje s pohyblivým souřadnicovým systémem a pevně umístěnou kamerou. V práci je dále popsán proces realizace navržených metod, jejich zhodnocení a porovnání.
|
|
|
Využití akcelerátoru neuronových sítí na Raspberry PI
Barna, Kristian ; Sekanina, Lukáš (oponent) ; Vašíček, Zdeněk (vedoucí práce)
Predkladaná bakalárska práca sa zoberá štatistickým vyhodnotením výkonnosti hardwardového akcelerátora hĺbkových neurónových sieti. Opisuje Konvolučné neurónové siete spolu s matematickými výpočtami. Vysvetľuje ich akceleráciu a prevod do formátu vhodného pre akcelerátor Intel Movidius NCS. Experimentálne sa porovnalo 8 hardvérových platforiem a 22 náročností neurónovej sieti. Bolo demonštrované až 105 násobné zlepšenie pre izolovanú inferenciu MobileNetV2 siete na platformu Raspbery Pi za pomoci akcelrátora. Výkon medzi testovanými platformami sa vyhodnocoval aj z energetického hľadiska. Aplikáciou na rozpoznanie identity tváre sa demonštrovali podmienky reálneho použitia. Odkryli sa možné limity akcelerácie CNN na zariadeniach s obmedzeným výkonom (Raspberry Pi), najmä v súvislosti s nevhodným výberom vstupného rozlíšenia obrazu. Všetky merania boli vyhodnocované štatistickými postupmi.
|
|
|
Počítání vozidel ve statickém obraze
Jelínek, Zdeněk ; Juránek, Roman (oponent) ; Špaňhel, Jakub (vedoucí práce)
Hlavním cílem této práce bylo porovnání různých moderních přístupů k počítání vozidel pomocí odhadu hustoty. Celkem byly porovnány čtyři modely konvolučních neuronových sítí - Counting CNN, Hydra CNN, Perspective-Aware CNN a Multi-column CNN. Vyhodnocení natrénovaných modelů bylo provedeno na třech různých datasetech. Nejpřesnějších výsledků na všech datasetech dosáhl model Perspective-Aware CNN. Na datasetu PUCPR+ dosáhl hodnoty Mean Absolute Error 2,86, čímž prokázal, že jeho použití u problému počítání vozidel je vhodné.
|
|
|
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.
|
host ::
RSS.