Název:
Trénovatelná segmentace obrazu s použitím hlubokých neuronových sítí
Překlad názvu:
Trainable image segmentation using deep neural networks
Autoři:
Majtán, Martin ; Burget, Radim (oponent) ; Harár, Pavol (vedoucí práce) Typ dokumentu: Diplomové práce
Rok:
2016
Jazyk:
cze
Nakladatel: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstrakt: [cze][eng]
Diplomová práca sa zaoberá segmentáciou obrazu pomocou hlbokých neuronových sietí. V práci je popísaný princíp digitálneho spracovania obrazu a segmentácia obrazu. Je tu vysvetlený princíp umelých neurónových sietí, model umelého neurónu, spôsob ako sa neurónové siete trénujú a aktivujú. V praktickej časti je vytvorený algoritmus na generovanie podobrazov zo snímkov z magnetickej rezonancie. Vygenerované podobrazy sa používajú na trénovanie, testovanie a validáciu modelu neurónovej siete. V práci je vytvorený model umelej neurónovej siete, ktorí bol použitý pri trénovateľnej segmentácii obrazu. Model neurónovej siete je vytvorený pomocou knižnice Deeplearning4j a je optimalizovaný na paralelné trénovanie pomocou knižnice Spark.
Diploma thesis is aimed to trainable image segmentation using deep neural networks. In the paper is explained the principle of digital image processing and image segmentation. In the paper is also explained the principle of artificial neural network, model of artificial neuron, training and activation of artificial neural network. In practical part of the paper is created an algorithm of sliding window to generate sub-images from image from magnetic rezonance. Generated sub-images are used to train, test and validate of the model of neural network. In practical part of the paper si created the model of the artificial neural network, which is used to trainable image segmentation. Model of the neural network is created using the Deeplearning4j library and it is optimized to parallel training using Spark library.
Klíčová slova:
Deeplearning4j; hlboké učenie; konvolučné neurónové siete; MRI; roztrúsená skleróza; Spark; trénovateľná segmentácia; convolution neural network; deep learning; Deeplearning4j; MRI; multiple sclerosis; Spark; trainable segmentation
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/11012/59010