|
|
Hluboké neuronové sítě v rozpoznávání obrazu
Munzar, Milan ; Kolář, Martin (oponent) ; Hradiš, Michal (vedoucí práce)
Neuronové sítě jsou dnes jeden z nejúspěšnějších modelů pro strojové učení. Můžeme je nalézt v autonomínch robotických systémech, v rozpoznávání objektů i řeči, predikci a mnoha jiných odvětvích umělé inteligence. Tato práce seznámí čtenáře s tímto modelem a jeho rozšířením, které se používá pro rozpoznávání objektů. Posléze popisuje aplikaci těchto konvolučních neuronových sítí(CNNs) pro klasifikaci obrazků na datasetech Caltech101 a Cifar-10. Na příkladu této aplikace diskutuje a měří efektivnost různých technik používaných v CNNs. Výsledky ukazují, že tyto sítě jsou bez dalších rozšíření schopné dosáhnout 80\% přesnosti na datasetu Cifar-10 a 37\% přesnosti na datasetu Caltech101.
|
|
|
Multikanálová dekonvoluce obrazů
Bradáč, Pavel ; Kolář, Radim (oponent) ; Jiřík, Radovan (vedoucí práce)
Tato diplomová práce pojednává o restauraci obrazů pomocí dekonvoluce. V první části jsou uvedeny pojmy jako dvourozměrný signál, model zkreslení, šum, které blíže uvádí do problematiky dekonvoluce. Druhá část pojednává o Bayesovském přístupu, na jehož základě se dekonvoluce řeší jako pravděpodobnostní úloha. Třetí část této studie se zaměřuje na střídavý minimalizační algoritmus pro multikanálovou slepou dekonvoluci obrazů. V poslední části je tento algoritmus naprogramován v Matlabu a s využitím knihovny NAG C. Následuje pak srovnání různých typů optimalizace (simplexová metoda, metoda největšího spádu nebo kvazi-Newtonova metoda), regularizace (Tichonovská nebo total variation) a dalších parametrů, jež tento algoritmus pro dekonvoluci používá.
|
|
|
Hluboké neuronové sítě v rozpoznávání obrazu
Munzar, Milan ; Kolář, Martin (oponent) ; Hradiš, Michal (vedoucí práce)
Neuronové sítě jsou dnes jeden z nejúspěšnějších modelů pro strojové učení. Můžeme je nalézt v autonomínch robotických systémech, v rozpoznávání objektů i řeči, predikci a mnoha jiných odvětvích umělé inteligence. Tato práce seznámí čtenáře s tímto modelem a jeho rozšířením, které se používá pro rozpoznávání objektů. Posléze popisuje aplikaci těchto konvolučních neuronových sítí(CNNs) pro klasifikaci obrazků na datasetech Caltech101 a Cifar-10. Na příkladu této aplikace diskutuje a měří efektivnost různých technik používaných v CNNs. Výsledky ukazují, že tyto sítě jsou bez dalších rozšíření schopné dosáhnout 80\% přesnosti na datasetu Cifar-10 a 37\% přesnosti na datasetu Caltech101.
|
|
|
Multikanálová dekonvoluce obrazů
Bradáč, Pavel ; Kolář, Radim (oponent) ; Jiřík, Radovan (vedoucí práce)
Tato diplomová práce pojednává o restauraci obrazů pomocí dekonvoluce. V první části jsou uvedeny pojmy jako dvourozměrný signál, model zkreslení, šum, které blíže uvádí do problematiky dekonvoluce. Druhá část pojednává o Bayesovském přístupu, na jehož základě se dekonvoluce řeší jako pravděpodobnostní úloha. Třetí část této studie se zaměřuje na střídavý minimalizační algoritmus pro multikanálovou slepou dekonvoluci obrazů. V poslední části je tento algoritmus naprogramován v Matlabu a s využitím knihovny NAG C. Následuje pak srovnání různých typů optimalizace (simplexová metoda, metoda největšího spádu nebo kvazi-Newtonova metoda), regularizace (Tichonovská nebo total variation) a dalších parametrů, jež tento algoritmus pro dekonvoluci používá.
|
|
|
Nelineární regrese v programu R
Dolák, Martin ; Malá, Ivana (vedoucí práce) ; Bašta, Milan (oponent)
Diplomová práce se zabývá řešením nelineárních regresních úloh pomocí programu R. Úvodní teoretická část práce je věnována vymezení pojmů a seznámení se s principem řešení nelineárních regresních modelů a jejich aplikací v programu R. Jak v teoretické, tak v praktické části práce jsou prezentovány nejznámější používané derivační algoritmy, zejména Gaussův-Newtonův a algoritmus největšího spádu pro odhad parametrů v nelineární regresi. V praktické části jsou dále ukázky řešení některých konkrétních úloh pomocí nelineárních regresních metod. Práce v obou částech obsahuje pro lepší názornost velké množství autorem zpracovaných grafů.
|
host ::
RSS.