Název:
Použití metod hlubokého učení v úlohách zpracování obrazu
Překlad názvu:
Methods of deep learning in image processing tasks
Autoři:
Polášková, Lenka ; Marcoň, Petr (oponent) ; Mikulka, Jan (vedoucí práce) Typ dokumentu: Diplomové práce
Rok:
2016
Jazyk:
cze
Nakladatel: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstrakt: [cze][eng]
Učení rozpoznávání objektů pomocí neuronové sítě spočívá v napodobení chování živočišné neuronové sítě. Přestože nejsou ani zdaleka známy detaily fungování mozku, týmy složené z vědců z různých oborů medicíny a techniky se snaží po těchto detailech pátrat. Díky velikánům jako je Geoffrey Hinton věda v tomto oboru velice pokročila. Konvoluční neuronové sítě, které se vycházejí z živočišného modelu optického systému, lze s výhodou použít pro segmentování obrazu, a proto byly vybrány pro segmentaci nádorů a edémů z obrazů magnetické resonance. Modely neuronové sítě, použité v této práci, dosáhly úspěšnosti 41\% procent v segmentaci edémů a 79\% v segmentaci nádorů z mozkové tkáně.
The clue of learning to recognize objects using neural network lies in imitation of animal neural network's behavior. In spite the details of how brain works is not known yet, the teams consisting of scientists from various medical or technical professions are trying to search for them. Thanks to giants like Geoffrey Hinton science made a big progress in this domain. The convolutional networks which are based on animal model of optical system can be advantageously used for image segmentation and therefore they ware chosen for segmentation of tumor and edema from images of magnetic resonance. The models of artificial neural networks used in this work had achieved the 41\% of success in edema segmentation and 79\% in segmentation of tumor from brain issue.
Klíčová slova:
hluboké učení; konvoluční sítě; neuronová síť; segmentace obrazů; strojové učení; umělá inteligence; artificial inteligence; convolutional networks; deep learning; image segmentation; machine learning; neural network
Instituce: Vysoké učení technické v Brně
(web)
Informace o dostupnosti dokumentu:
Plný text je dostupný v Digitální knihovně VUT. Původní záznam: http://hdl.handle.net/11012/59778