|
|
The use of deep neural networks for the evaluation of metallographic cross-sections
Semančík, Adam ; Mendřický, Radomír (oponent) ; Hurník, Jakub (vedoucí práce)
This thesis explores the application of deep neural networks to improve the evaluation of metallographic cross-sections in materials produced through powder bed fusion. It focuses on two advanced image processing techniques: semantic segmentation and image super-resolution. A U-Net architecture was used for semantic segmentation to classify defects such as lack of fusion porosity and gas porosity. Additionally, an SRGAN (Super-Resolution Generative Adversarial Network) model was utilized to upscale image resolution, potentially enhancing segmentation accuracy. The research assesses whether a model trained on AlSi10Mg can generalize to Cu99 and Ti6Al4V and evaluates the influence of super-resolution on segmentation performance. Results showed that while the segmentation model performed well on AlSi10Mg, generalization to other materials required more diverse training data. Due to computational limitations, the combined effect of super-resolution and segmentation remains inconclusive, suggesting further research with enhanced computational resources.
|
|
|
Generative Models for 3D Shape Completion
Zdravecký, Peter ; Španěl, Michal (oponent) ; Kubík, Tibor (vedoucí práce)
In many real-world scenarios, scanned 3D models contain missing parts due to occlusion, scanning errors, or the incomplete nature of the data itself. The goal of this work is to create an automated process for 3D shape completion using a supervised deep learning-based method. The proposed solution is based on the prior work of DiffComplete, which uses a diffusion-based model operating over distance field representation and handles the task as a generative problem. The results showed a high capability of this model with an 81.6 IoU metric on the custom-prepared test set of furniture objects. The model also demonstrates strong generalization capabilities on shapes that are out of the training distribution (average 70.9 IoU metric). Apart from more detailed data-centric experiments, this work further extends current state-of-the-art in two ways. Firstly, it addresses the most crucial shortcoming, expensive computation, by processing the input in a low-resolution domain. Secondly, it utilizes user input (Region of Interest), which gives the user more control over generation in ambiguous scenarios.
|
|
|
Hluboké neuronové sítě pro posilované učení v realtimové strategii
Barilla, Marco ; Dobeš, Petr (oponent) ; Kolář, Martin (vedoucí práce)
Strojové učenie je jedna z najrýchlejšie napredujúcich odvetví dnešnej vedy. Je to podoblasť umelej inteligencie ktorá sa zaoberá problémom, ako pomocou počítačov riešiť komplexné moderné problémy. Vo vývoji tohto odvetvia hrajú dôležitú úlohu hry, pretože predstavujú optimálne prostredie na testovanie nových prístupov a ich porovnávanie so schopnosťami človeka. Jedna z hier ktoré sú v tejto oblasti stredobodom pozronosti je Starcraft 2, vďaka svojej širokej hráčskej základni a svojej komplexnosti. Praktickým cieľom tejto práce je vytvoriť advantage actor ctiric agenta, ktorý ktorý bude schopný operovať v prostredí tejto hry.
|
|
|
Sledování pohybu míče ve videu
Motlík, Matúš ; Špaňhel, Jakub (oponent) ; Bartl, Vojtěch (vedoucí práce)
Táto diplomová práca sa zaoberá automatickou detekciou a sledovaním futbalovej lopty v zázname športového stretnutia. Na základe predstavených techník zameraných na sledovanie malých objektov vo vysokom rozlíšení sú navrhnuté a implementované efektívne konvolučné neurónové siete, ktoré ďalej využíva upravený sledovací algoritmus SORT pre automatickú detekciu objektov v obraze. Za účelom preskúmania možností spracovania v reálnom čase pri čo najnižšej strate presnosti sledovania sú uskutočnené experimenty so spracovávaním snímok v rôznych rozlíšeniach a s rôznou frekvenciou získavania detekcií. Získané výsledky experimentov sú prezentované a využité pre návrh ďalších rozšírení, ktoré by viedli k zlepšeniu úspešnosti sledovania pri zachovaní dostatočnej rýchlosti spracovania.
|
|
|
Modelování hudby na úrovni signálu pomocí WaveNetu
Slanináková, Terézia ; Landini, Federico Nicolás (oponent) ; Beneš, Karel (vedoucí práce)
Práca sa zaoberá skúmaním možnosti modelovania hudby a reči pomocou WaveNetu, hlbokou neurónovou sieťou pre generovanie zvuku na úrovni signálu. Za pomoci existujúcich implementácií bol WaveNet netrénovaný na rôznych datasetoch a vyprodukoval mnohé zvukové súbory. Bolo vykonaných niekoľko experimentov s rôznym nastavením hyperparametrov WaveNetu. Taktiež bolo použitých niekoľko schém generovania, každá s rôznym vplyvom na generovaný výsledok. Kvalita výstupných zvukových súborov bola ohodnotená na základe dotazníku. Hudobné zvukové stopy dosiahli skóre 2-3.1818 na 5-bodovej škále, čo je porovnateľné s hudobnými nahrávkami originálneho výskumného tímu (3.1818).
|
|
|
Optimalizace hlubokých neuronových sítí
Bažík, Martin ; Wiglasz, Michal (oponent) ; Sekanina, Lukáš (vedoucí práce)
Cieľom tejto bakalárskej práce bolo navrhnúť, implementovať a analyzovať rôzne optimalizácie vybraných hlbokých neurónových sietí. Ich účelom bolo zlepšenie sledovaných parametrov neurónovej siete. Implementované optimalizácie spočívajú v práci s reprezentáciou dát využívaných operáciami neurónovej siete a hľadaní najlepšej kombinácie jej hyper-parametrov. Jednotlivé optimalizácie boli prevedené na konvolučných neurónových sieťach založených na architektúre LeNet-5 pri využití dátových sád MNIST, CIFAR-10 a SVHN. Implementácia a následná optimalizácia neurónových sietí boli prevedené využitím knižnice Tiny-dnn v programovacom jazyku C++.
|
|
|
Dereverberace založená na neuronových sítích
Karlík, Pavol ; Černocký, Jan (oponent) ; Žmolíková, Kateřina (vedoucí práce)
V posledných rokoch sa rozrástlo využitie neurónových sietí v oblasti spracovania reči. Táto bakalárska práca sa zaoberá implementáciou a vyhodnocovaním algoritmu na odstránenie dozvuku (reverberácie), ktorý využíva hlboké neurónové siete pre odhad výkonového spektra z rečovej nahrávky. Tento algoritmus je založený na najmodernejšom algoritme, Weighted prediction error (WPE), ktorý dokáže zredukovať reverberáciu z rečovej nahrávky. Táto práca obsahuje sumarizáciu teórie o dereverberácii, neurónových sieťach a algoritme WPE. V tejto práci sa experimentovalo s rôznymi architektúrami neurónových sietí, ktoré následne boli natrénované na rozdielnych dátových sadách s rôznymi vlastnosťami. Výsledky experimentov ukazujú, že naša modifikácia WPE dosahuje lepších výsledkov ako konvenčný algoritmus, a to najmä pre situácie, v ktorých je dĺžka spracovaného signálu krátka.
|
|
|
Deep Learning for Image Stitching
Držíková, Diana Maxima ; Vaško, Marek (oponent) ; Španěl, Michal (vedoucí práce)
Stitching digital images is not something unfamiliar to the average technology user. The most common example of stitching can be found in panoramic images, where the algorithm stitches them to achieve a seamless, high-quality picture. Various steps need to be executed to stitch the images. Feature detection, description, and matching play the most important role in achieving the goal. This thesis will dwell deeper into the stitching problematic and will discuss the possible solutions. The traditional approaches to stitching will be explained in order to understand the basic idea behind it. Later on, the neural networks will be used to enhance the feature processing. The SuperPoint and SuperGlue neural networks will be discussed and used for their experiments. The main product of this work is a matching algorithm which uses the SuperPoint and SuperGlue models to stitch the images from grids. Other experiments which helped the process of understanding this problem, will be explained and evaluated.
|
|
|
Segmentace cévního řečiště ve snímcích sítnice metodami hlubokého učení
Serečunová, Stanislava ; Vičar, Tomáš (oponent) ; Kolář, Radim (vedoucí práce)
Táto diplomová práca sa zaoberá využitím hlbokých neurónových sietí so zameraním na segmentáciu obrazu. Teoretická časť obsahuje popis hlbokých neurónových sietí a súhrn využívaných architektúr konvolučných sietí v oblasti segmentácie objektov z obrazu. V praktickej časti bola testovaním existujúcich príkladov používaných architektúr sietí naštudovaná open-source softwarová knižnica pre strojové učenie Tensorflow, implementovaná v programovacom jazyku Python. Obecným problémom použitia konvolučných neurónových sietí je požadované veľké množstvo vstupných dát. Z tohto dôvodu bola vytvorená nová dátová sada skladajúca sa z kombinácie piatich voľne dostupných databáz. Zvolená architektúra siete U-net bola testovaná prvou modifikáciou novo vytvorenej dátovej sady. Na základe výsledkov je zvolená architektúra siete modifikovaná, vďaka čomu bola vytvorená nová sieť, ktorá dosahuje lepšie výsledky než originálna sieť. Modifikovaná architektúra je následne trénovaná na vytvorenej dátovej sade, ktorá obsahuje snímky z rôznych typov fundus kamier. Natrénovaná sieť je vďaka tomuto prístupu vo výsledku robustnejšia a umožňuje segmentaciu cievneho riečiska snímkov z rôznymi parametrami. Modifikovaná architektúra bola otestovaná na databázach STARE, CHASE a HRF. Výsledky boli porovnané z publikovanými metódami segmentácie z literatúry, založených na konvolučných neurónových sieťach, ale aj klasickými metódami segmentácie. Vytvorená sieť vykazuje vysokú úspešnosť segmentácie cievneho riečiska porovnateľnú so state-of-the-art metódami.
|
|
|
Automatické hodnocení anglické výslovnosti nerodilých mluvčích
Gazdík, Peter ; Szőke, Igor (oponent) ; Žmolíková, Kateřina (vedoucí práce)
Výuka anglickej výslovnosti s využitím počítača sa v súčasnej dobe stáva čoraz viac populárnejšou. Napriek tomu presnosť týchto systémov je stále pomerne nízka. Táto diplomová práca sa preto zameriava na zlepšenie existujúcich metód automatického hodnotenia výslovnosti. V prvej časti práce je uvedený prehľad v súčasnosti používaných techník v tejto oblasti. Následne bol navrhnutý systém využívajúci dva rôzne prístupy. Dosiahnuté výsledky ukazujú znateľné zlepšenie oproti referenčnému systému.
|
host ::
RSS.