|
|
Deep neural networks and their implementation
Vojt, Ján ; Mrázová, Iveta (vedoucí práce) ; Božovský, Petr (oponent)
Hluboké neuronové sítě jsou efektivní a univerzální model schopný řešit širokou škálu úloh. Tato práce je zaměřena na studium tří různých typů hlubokých neuronových sítí - vícevrstvý perceptron, konvoluční neuronové sítě, a sítě typu DBN (deep belief). Všechny popisované modely hlubokých neurónových sítí jsou naimplementovány na paralelní hardvérové architektuře, a otestovány pro různa nastavení architektury sítě i jejích parametrů. Implementovaný systém je doplněn detailní dokumentací softvérového návrhu a popisem použitých optimalizací. Efektivitu implemenetovaného frameworku dokládají i výsledky provedených výkonnostních testů. Významnou součást práce představuje i testování dalších existujících frameworků s podporou hlubokých neuronových sítí. Porovnání ukazuje, že framework vytvořený v rámci této práce dosáhl lepších výkonnostních výsledků než testované konkurenční implementace vícevrstvých perceptronů a konvolučních neuronových sítí. Implementace sítí typu DBN dosahuje v porovnání s konkurenční implementací mírně lepších výkonnostních výsledků pro RBM vrstvy o velikosti do 1000 neuronů, ale znatelně slabších výkonnostních výsledků pro robustnější RBM vrstvy. Powered by TCPDF (www.tcpdf.org)
|
|
|
DRESS & GO: Deep belief networks and Rule Extraction Supported by Simple Genetic Optimization
Švaralová, Monika ; Mrázová, Iveta (vedoucí práce) ; Vomlelová, Marta (oponent)
Nedávny vývoj v oblasti sociálnych médií a webových technológií prináša nové možnosti na získanie, analýzu a spracovanie stále sa zväčšujúceho množstva dát týkajúcich sa módy. V kontexte dizajnu a módy je naším hlavným ciel'om automaticky navrhovat' módne outfity na základe preferencií získaných z dát z reálneho sveta, po- skytnutých bud' používatel'mi, alebo zozbieraných z internetu. V našom prípade majú jednotlivé kusy oblečenia formu 2D obrázkov. V oblasti spracovania obrazových dát dokázali nedávne modely hlbokých neurónových sietí predčit' l'udský výkon. To nás inšpirovalo aplikovat' metódy transfer learning na porozumenie variabilite v módnych produktoch. Naše využitie transfer learning spočíva v extrahovaní interných reprezentácií vy- tvorených vo vel'kých konvolučných siet'ach predtrénovaných na všeobecnej dátovej sade ImageNet, a vizualizovaní štruktúry našich dát v tejto reprezentácií. Klastro- vacie algoritmy a farebné schémy obrázkov sa ukázali byt' tiež užitočné pri hl'adaní podobností. Metódy použité na generovanie nových outfitov zah'rňajú DBN siete a generické algoritmy. Tie využívajú konvolučné siete na modelovanie fitness funkcie outfitov. Hoci odporúčanie a generovanie v oblasti módy je...
|
|
|
DRESS & GO: Deep belief networks and Rule Extraction Supported by Simple Genetic Optimization
Švaralová, Monika ; Mrázová, Iveta (vedoucí práce) ; Vomlelová, Marta (oponent)
Nedávny vývoj v oblasti sociálnych médií a webových technológií prináša nové možnosti na získanie, analýzu a spracovanie stále sa zväčšujúceho množstva dát týkajúcich sa módy. V kontexte dizajnu a módy je naším hlavným ciel'om automaticky navrhovat' módne outfity na základe preferencií získaných z dát z reálneho sveta, po- skytnutých bud' používatel'mi, alebo zozbieraných z internetu. V našom prípade majú jednotlivé kusy oblečenia formu 2D obrázkov. V oblasti spracovania obrazových dát dokázali nedávne modely hlbokých neurónových sietí predčit' l'udský výkon. To nás inšpirovalo aplikovat' metódy transfer learning na porozumenie variabilite v módnych produktoch. Naše využitie transfer learning spočíva v extrahovaní interných reprezentácií vy- tvorených vo vel'kých konvolučných siet'ach predtrénovaných na všeobecnej dátovej sade ImageNet, a vizualizovaní štruktúry našich dát v tejto reprezentácií. Klastro- vacie algoritmy a farebné schémy obrázkov sa ukázali byt' tiež užitočné pri hl'adaní podobností. Metódy použité na generovanie nových outfitov zah'rňajú DBN siete a generické algoritmy. Tie využívajú konvolučné siete na modelovanie fitness funkcie outfitov. Hoci odporúčanie a generovanie v oblasti módy je...
|
|
|
Deep neural networks and their application for image data processing
Golovizin, Andrey ; Mrázová, Iveta (vedoucí práce) ; Holan, Tomáš (oponent)
V oblasti rozpoznávání obrázků dnes patří k nejslibnějším modelům tzv. hluboké neuronové sítě, které často dosahují výrazně lepších výsledků než tradiční techniky, navíc bez nutnosti cíleného předzpracování vstupních dat. Tato práce se zabývá studiem a analýzou vlastností tří základních variant hlubokých neuronových sítí, a to neokognitronu, konvolučních neuronových sítí a DBN-sítí (deep belief networks). Na základě rozsáhlého testování popisovaných modelů na standardní úloze rozpoznávání ručně psaných číslic se jako nejvhodnější pro rozpoznávání obecných obrazových dat jeví konvoluční neuronové sítě. Ty jsme proto použili i při rozpoznávání obrázků z rozsáhlých datových sad CIFAR-10 a ImageNet. Pro optimalizaci architektury použité sítě jsme navrhli vlastní algoritmus prořezávání založený na analýze hlavních komponent (PCA). Powered by TCPDF (www.tcpdf.org)
|
|
|
Deep neural networks and their implementation
Vojt, Ján ; Mrázová, Iveta (vedoucí práce) ; Božovský, Petr (oponent)
Hluboké neuronové sítě jsou efektivní a univerzální model schopný řešit širokou škálu úloh. Tato práce je zaměřena na studium tří různých typů hlubokých neuronových sítí - vícevrstvý perceptron, konvoluční neuronové sítě, a sítě typu DBN (deep belief). Všechny popisované modely hlubokých neurónových sítí jsou naimplementovány na paralelní hardvérové architektuře, a otestovány pro různa nastavení architektury sítě i jejích parametrů. Implementovaný systém je doplněn detailní dokumentací softvérového návrhu a popisem použitých optimalizací. Efektivitu implemenetovaného frameworku dokládají i výsledky provedených výkonnostních testů. Významnou součást práce představuje i testování dalších existujících frameworků s podporou hlubokých neuronových sítí. Porovnání ukazuje, že framework vytvořený v rámci této práce dosáhl lepších výkonnostních výsledků než testované konkurenční implementace vícevrstvých perceptronů a konvolučních neuronových sítí. Implementace sítí typu DBN dosahuje v porovnání s konkurenční implementací mírně lepších výkonnostních výsledků pro RBM vrstvy o velikosti do 1000 neuronů, ale znatelně slabších výkonnostních výsledků pro robustnější RBM vrstvy. Powered by TCPDF (www.tcpdf.org)
|
host ::
RSS.