|
|
Ověření pravosti podpisu s využitím algoritmů založených na neuronových sítích
Čírtek, Petr ; Kiac, Martin (oponent) ; Myška, Vojtěch (vedoucí práce)
Podpis je jednou z nejpoužívanějších biometrik v bankovnictví a při uzavírání smluv, proto je zpětné ověření pravosti podpisu důležité. Toto ověření se dá provést za pomoci forenzního specialisty, nebo, díky nástupu pokročilých technologií, za pomoci výpočetní techniky. Účelem této práce je vytvořit metody ověření pravosti podpisu využitím neuronových sítí pro český typ podpisu a zjistit, zdali přidání manuálně získaných příznaků ke konvoluční analýze vylepší tyto metody. Neuronové sítě se snaží replikovat fungování lidského mozku, sestávají ze vstupních neuronů, několika skrytých vrstev a výstupních neuronů. Neuronové sítě jsou jedny z nejoblíbenějších technologií umělé inteligence pro analýzu a klasifikaci obrázků. Navržené metody v této práci fungují na principech konvolučních sítí. První metoda se skládá ze tří konvolučních vrstev, které z obrázku podpisu získávají důležité vlastnosti, které předají plně propojené vrstvě s klasifikátorem. Ten určí, zdali jde o podpis pravý, či falešný. Zároveň byly pro tuto metodu vytvořeny dvě funkce, které dokáží interpretovat její rozhodování. Druhá metoda, siamské konvoluční neuronové sítě, na rozdíl od první nepracuje s podpisy samostatně, ale využívá pro určení pravosti referenční obrázek podpisu. Základem této metody je vytažení příznaků pomocí konvoluční analýzy jak z referenčního podpisu, tak z podpisu, který je určen na ověření. Tyto příznaky se následně spojí a předají klasifikátoru. Pro natrénování modelů, které by ověřovaly český typ podpisů, byla vytvořena česká datová množina. Z experimentů bylo zjištěno, že přidání příznaků má potenciál vylepšit přesnost predikcí metod založených na konvoluční analýze obrazu. Byly natrénovány 3 modely, které s přesností vyšší než 80 \% dokáží ověřovat český typ podpisů, a to: model metody konvoluční neuronové sítě s příznakem diskrétní vlnkové transformace, který byl trénovaný na české datové množině, model stejné metody trénovaný na množině CEDAR s příznakem počtu tahů a model metody siamské konvoluční neuronové sítě trénovaný na české množině podpisů s příznakem tri-surface.
|
|
|
Rekonstrukce poškozených audio signálů pomocí deep unrolling
Kment, František ; Myška, Vojtěch (oponent) ; Mokrý, Ondřej (vedoucí práce)
Práce se zabývá problematikou restaurace audiosignálu pomocí tradičních optimalizačních metod v kombinaci s metodami deep unrolling. Byla formulována optimalizační úloha doplňování chybějících úseků audio signálu a byl zvolen a následně implementován proximální algoritmus FISTA. Dále byly implementovány 3 unrolled varianty algoritmu (Unrolled Fista Net), z nichž 2 byly dále optimalizovány pomocí testů na zvoleném testovacím datasetu a naučeny na datasetu Nsynth. Výsledky naučených sítí byly porovnány jak s konkurenčními metodami, tak s původní neučenou variantou algoritmu. Porovnáváno bylo pomocí objektivních metrik (MSE, SNR, PEAQ, PEMO-Q) a subjektivního poslechového testu.
|
|
|
The use of federated learning in the field of security on Android OS
Szüč, Martin ; Myška, Vojtěch (oponent) ; Michálek, Jakub (vedoucí práce)
This thesis explores the use of federated learning in the context of cybersecurity, specifically in detecting phishing attacks via email on the Android operating system. The~theoretical part of the thesis deals with concepts of federated learning, machine learning, and various phishing techniques. The main goal of the practical part is to design and implement a mobile application that uses federated learning to train machine learning models. This application is designed to detect phishing emails while ensuring that the content of the emails is not sent to a central server, thereby protecting users' sensitive data. The~thesis includes the design of the application architecture, integration of Python modules, processing and classification of emails, and implementation of federated learning. The results of the application testing demonstrate the effectiveness of the proposed solution in detecting phishing attacks while also highlighting the privacy benefits provided by federated learning.
|
|
|
Optimalizace řízení s pomocí zpětnovazebního učení na platformě Robocode
Pastušek, Václav ; Myška, Vojtěch (oponent) ; Burget, Radim (vedoucí práce)
Tato diplomová práce se zabývá optimalizací řízení tankového robota v prostředí Robocode za využití zpětnovazebního učení. Komplexita tohoto problému spadá do třídy EXPSPACE, což představuje výzvu, kterou nelze podcenit. Teoretická část práce pečlivě zkoumá platformu Robocode, koncepty zpětnovazebního učení a příslušné algoritmy, zatímco praktická část se zaměřuje na optimalizaci agenta, implementaci zpětnovazebních algoritmů a vytvoření uživatelsky přívětivého rozhraní pro snadné trénování a testování modelů. V rámci práce bylo natrénováno a otestováno celkem 64 modelů, jejichž data a parametry jsou vzájemně srovnávány a prezentovány v přiložených databázích a grafech. Nejlepší výsledky v průměrném počtu zásahů na epizodu dosáhly modely s označením v0.8.0 a v1.0.0. U prvního z nich se projevila určitá schopnost vyhýbání se střelám, zatímco u druhého byly pozorovány úspěšnější zásahy.
|
|
|
Klasifikace onemocnění COVID-19 na základě analýzy rentgenových snímků plic
Šteflík, Dominik ; Kiac, Martin (oponent) ; Myška, Vojtěch (vedoucí práce)
Táto diplomová práca sa zaoberá vývojom a hodnotením algoritmov umelej inteligencie na klasifikáciu ochorenia COVID-19 z röntgenových snímok hrudníka. Vzhľadom na závažnosť a vplyv pandémie COVID-19 na svetovú populáciu sa schopnosť rýchlej a presnej diagnostiky ochorení z röntgenových snímok stala kritickou. Táto štúdia zhŕňa súčasné pokroky v oblasti spracovania obrazu a hĺbkového učenia s cieľom vyhodnotiť použitie viacerých moderných klasifikačných metód v praxi. Pomocou datasetu získaného z českého lekárskeho prostredia sa tieto metódy analyzujú a overujú za účelom preskúmania ich efektivity a presnosti v reálnych situáciách. Metódy vybrané pre túto štúdiu, COVID-Net, DarkCovidNet a CoroNet, boli zvolené vzhľadom na ich dostupnosť, rozšírené používanie a preukázanú účinnosť v tejto oblasti. Jadrom práce je návrh konvolučnej neurónovej siete prispôsobenej na extrakciu a učenie sa z nepatrných znakov prítomných na röntgenových snímkach svedčiacich o prítomnosti vírusu COVID-19. Táto snaha čelila značným výzvam, vyplývajúcim z rôznorodých akvizičných parametrov röntgenových snímok, ktoré môžu podstatne ovplyvniť diagnostickú presnosť. Jednotnosť týchto parametrov je rozhodujúca pre spoľahlivú analýzu, čo zdôrazňuje význam dôkladných techník predbežného spracovania. V dôsledku toho sa zaviedli pokročilé postupy normalizácie, úpravy kontrastu a rozšírenia s cieľom štandardizovať vstupné údaje. Samotná konvolučná sieť využíva sériu konvolučných, združovacích a plne prepojených vrstiev, ktoré sú optimalizované na zvládnutie odlišností prítomných v lekárskych obrazových dátach. Architektúra siete obsahuje mechanizmus pozornosti implementovaný prostredníctvom bloku stlačenia a excitácie na dynamické nastavenie významnosti rôznych kanálov vo vstupnom obraze. Integráciou týchto prvkov je model siete vycvičený tak, aby sa zameral na podstatné rysy v rámci röntgenových snímok, čo mu umožňuje efektívne rozoznávať nepatrné indikátory ochorenia COVID-19. Okrem iného sa v tejto práci pojednáva o~potenciáli integrácie takýchto diagnostických nástrojov riadených umelou inteligenciou do existujúcich infraštruktúr zdravotnej starostlivosti s cieľom zlepšiť včasnú detekciu a liečbu ochorenia COVID-19. Zistenia naznačujú, že využitie umelej inteligencie v lekárskom zobrazovaní môže výrazne pomôcť pri riešení a kontrole epidémií ochorení, čo v konečnom dôsledku prispieva k lepším zdravotníckym výsledkom.
|
|
|
Rekurentní neuronové sítě pro klasifikaci textů
Myška, Vojtěch ; Kolařík, Martin (oponent) ; Povoda, Lukáš (vedoucí práce)
Diplomová práce se zabývá návrhem neuronových sítí pro klasifikaci pozitivních a negativních textů. Vývoj probíhal v programovacím jazyce Python. Návrh modelů hlubokých neuronových sítí byl proveden pomocí vysokoúrovňového API Keras využívající knihovnu pro numerické výpočty TensorFlow. Výpočetní operace byly provedeny pomocí GPU využívající CUDA architekturu. Výstupem práce je jazykově nezávislý model neuronových sítí umožňující klasifikaci textů na úrovni znaků. Vzorky byly úspěšně klasifikovány až v 93,64% případů. Trénovací a testovací data byla poskytnuta vícejazyčnou a Yelp databází. Simulace byly provedeny na 1200000 anglických, 12000 českých, německých a španělských textů.
|
|
|
Vyhledávač optimální cesty městské hromadné dopravy s architekturou klient-server
Brát, Daniel ; Hošek, Jiří (oponent) ; Myška, Vojtěch (vedoucí práce)
Bakalářská práce se zabývá návrhem programu s architekturou klient-server pro hledání cesty v sítích městské hromadné dopravy. V rámci teoretického úvodu je popsán problém obchodního cestujícího a jsou zmíněny metody jeho řešení. Následuje teoretický návrh samotného programu. Další kapitola se věnuje konkrétně vybraným technologiím pro realizaci práce. Poslední pak už pojednává o samotné realizaci práce. Dosažené výsledky jsou pak hodnoceny v závěru.
|
|
|
Segmentation of multiple sclerosis lesions using deep neural networks
Sasko, Dominik ; Myška, Vojtěch (oponent) ; Kolařík, Martin (vedoucí práce)
This master thesis focused on automatic segmentation of Multiple Sclerosis (MS) lesions on MRI images. We tested the latest methods of segmentation using Deep Neural Networks and compared the approaches of weight initialization by transfer learning and self-supervised learning. The automatic segmentation of MS lesions is a very challenging task, primarily due to the high imbalance of the dataset (brain scans usually contain only a small amount of damaged tissue). Another challenge is a manual annotation of these lesions, as two different doctors can mark other parts of the brain as damaged and the Dice Coefficient of these annotations is approximately 0.86, which further underlines the complexity of this task. The possibility of simplifying the annotation process by automatization could improve the lesion load determination and might lead to better diagnostic of each individual patient. Our goal was to propose two techniques that use transfer learning to pre-train weights to later improve the performance of existing segmentation models. The theoretical part describes the division of artificial intelligence, machine learning and deep neural networks and their use in image segmentation. Afterwards, the work provides a description of Multiple Sclerosis, its types, symptoms, diagnosis and treatment. The practical part begins with data preprocessing. Firstly, brain scans were adjusted to the same resolution with the same voxel size. This was needed due to the usage of three different datasets, in which the scans had been created by devices from different manufacturers. One dataset also included the skull, therefore it was necessary to remove it by an FSL tool, leaving only the patient's brain in the scan. The preprocessed data were 3D scans (FLAIR, T1 and T2 modalities), which were cut into individual 2D slices and used as an input for the neural network with encoder-decoder architecture. The whole dataset consisted a total of 6,720 slices with a resolution of 192 x 192 pixels for training (after removing slices where the mask was empty). Loss function was Combo loss (combination of Dice Loss with modified Cross-Entropy). The first technique was to use the pre-trained weights from the ImageNet dataset on encoder in U-Net network, with and without locked encoder weights, respectively, and compare the results with random weight initialization. In this case, we used only the FLAIR modality. Transfer learning has proven to increase the metrics from approximately 0.4 to 0.6. The difference between encoder with and without locked weights was about 0.02. The second proposed technique was to use a self-supervised context encoder with Generative Adversarial Networks (GAN) to pre-train the weights. This network used all three modalities also with the empty slices (23,040 slices in total). The purpose of GAN was to recreate the brain image, which was covered by a checkerboard. Weights learned during this training were later loaded for the encoder to apply to our segmentation problem. The following experiment did not show any improvement, with a DSC value of 0.29 and 0.09, with and without a locked encoder, respectively. Such a decrease in performance might have been caused by the use of weights pre-trained on two distant problems (segmentation and self-supervised context encoder) or by difficulty of the task considering the hugely unbalanced dataset.
|
|
|
Segmentace obrazových dat využitím hlubokých neuronových sítí
Hrdý, Martin ; Myška, Vojtěch (oponent) ; Kiac, Martin (vedoucí práce)
Cílem této diplomové práce je seznámit se a nastudovat teorii současných segmentačních metod, které používají hluboké učení. Na základě teoretických znalostí bude navržena a vytvořena segmentační neuronová síť, která bude schopna segmentovat jednotlivé instance objektů. Segmentační neuronová síť bude zaměřena na detekci elektronických součástek na deskách plošných spojů.
|
|
|
Detekce pohybujících se objektů ve videu s využitím neuronových sítí
Mikulský, Petr ; Sikora, Pavel (oponent) ; Myška, Vojtěch (vedoucí práce)
Tato diplomová práce řeší detekci pohybujících se objektů ve videu s využitím neuronových sítí. Cílem práce byla detekce účastníků silničního provozu na video záznamech. Pro praktické řešení práce byl použit předtrénovaný detekční model YOLOv5. V rámci řešení byla vypracována vlastní datová množina ze záběrů dopravní komunikace s třídami: osobní automobil, autobus, dodávkový automobil, motocykl a kamion. Celkově finální podoba datové množiny čítá 5404 snímků a 6467 anotovaných objektů. Dotrénovaný model YOLOv5 dosáhl na testovací množině úspěšnosti detekce vozidel mAP 0,995, preciznosti 0,995 a úplnosti odhadu predikce 0,986. V závěru jsou popsány kroky, které vedly ke konečné podobě vlastního datasetu.
|
host ::
RSS.