|
|
Capturing of Detailed and Very Large Photograph and Localization Within
Dubovec, Pavol ; Vaško, Marek (oponent) ; Herout, Adam (vedoucí práce)
The goal of this work was to create a large image and a new technique to localize the photo in the larger image to increase the speed and accuracy of conventional methods. The proposed technique uses CNN architecture to extract embeddings from the queried image which will be used to search the database of embeddings from the large photo. Two models have been trained on a large dataset: based on classification (CE) and distance (triplet) Conventional methods were used to determine the location of the images and to generate the large image. A database of embeddings was created by partitioning the large image using the trained model. The database is searched for the K-nearest embeddings of the cutouts of the query image. These embeddings are generated by dividing the query photo into the same size parts as the CNN inputs. The optimal homography model is determined by random selection based on the positions of the four query image cutouts and their corresponding positions in the big picture. The homography model with the lowest harmonic mean of the embedding distance is selected as the final position. The homography is optimized using template matching where possible. The method shows sufficient accuracy and high speed on test datasets. The best model achieved a top-1 accuracy of 97.71% and a top-3 accuracy of 99.67%. Future research will investigate the performance of the method under increasing surface heterogeneity, the possibility of automating video retrieval to obtain a large dataset with photos, and its effectiveness in locating photos when conventional methods fail.
|
|
|
Diagnosing anxiety and depression from brain electroencephalogram (EEG) signals
Osvald, Martin ; Jaroš, Marta (oponent) ; Malik, Aamir Saeed (vedoucí práce)
Mental disorders represent inevitable emotions in our society. These psychological states affect the cognitive, emotional and behavioural functioning of individuals. Common men- tal disorders fall into two main diagnostic categories: depressive disorders and anxiety disorders. The aim of this work is to find a new method for detecting whether a given patient suffers from anxiety or depression using EEG classification. In this work, we use a combination of genetic algorithms and models from deep learning.
|
|
|
Automatická kontrola dopravního značení
Čechmánek, Roman ; Klíma, Ondřej (oponent) ; Musil, Petr (vedoucí práce)
Cílem této práce je vytvoření finančně nenáročného nástroje, který by byl schopen zautomatizovat proces kontroly dopravního značení. To zahrnuje práci se záznamy jízd po pozemních komunikacích, vytvořených pomocí levného záznamového zařízení jako je například akční kamera GoPro, či některé z palubních kamer. Kontrola probíhá na základě systémem lokalizovaného dopravního značení a historických dat o mapování dopravního značení. Výsledkem práce je systém, jehož vstupem jsou záznamy jízd a historická data a výstupem jsou dva soubory obsahující informace o výsledcích kontroly. Prvním z nich je soubor GEOJSON, který je vhodný pro další zpracování získaných dat a soubor HTML, který poskytuje jednoduché uživatelské rozhraní vizualizující výsledky kontroly na interaktivní webové mapě.
|
|
|
Automated compression of neural network weights
Lorinc, Marián ; Sekanina, Lukáš (oponent) ; Mrázek, Vojtěch (vedoucí práce)
Convolutional Neural Networks (CNNs) have revolutionised computer vision field since their introduction. By replacing weights with convolution filters containing trainable weights, CNNs significantly reduced memory usage. However, this reduction came at the cost of increased computational resource requirements, as convolution operations are more computation intensive. Despite this, memory usage remains more energy-intensive than computation. This thesis explores whether it is possible to avoid loading weights from memory and instead functionally calculate them, thereby saving energy. To test this hypothesis, a novel weight compression algorithm was developed using Cartesian Genetic Programming. This algorithm searches for the most optimal weight compression function, aiming to enhance energy efficiency without compromising the functionality of the neural network. Experiments conducted on the LeNet-5 and MobileNetV2 architectures demonstrated that the algorithm could effectively reduce energy consumption while maintaining high model accuracy. The results showed that certain layers could benefit from weight computation, validating the potential for energy-efficient neural network implementations.
|
|
|
Automatic identification of tree pests based on image data
Balko, Marek ; Juříček, Martin (oponent) ; Škrabánek, Pavel (vedoucí práce)
This thesis focuses on utilizing image data of tree trunk damage to train a classifier for recognizing species of tree pests that caused this damage. The classifier is designed as a convolutional neural network. To successfully train the model, a preprocessing step - the sub-image generator - was employed before the classifier. This generator creates training data of suitable dimensions by cropping from the original data. The resulting data retains important details for network training. Two methods for generating training sub-images were proposed for the sub-image generator - the Grid division method and the Elliptic division method. Both of these methods can be successfully used to train the classifier for tree pest recognition based on image data of tree damage with comparable model accuracy. The Elliptic division method is more flexible and less time-consuming for preprocessing training data.
|
|
|
Automatizovaná tvorba modelů hlubokých neuronových sítí pro klasifikaci obrazu
DOHNAL, Patrik
Tato práce se zabývá návrhem a implementací systému pro automatickou tvorbu modelů hlubokých neuronových sítí (HNS) pro klasifikaci obrazu včetně evaluace výsledků na datových sadách Cifar-10 a Mnist-Fashion. Pro nalezení aproximačně nejlepšího modelu HNS je využito genetického algoritmu. V rámci práce je prozkoumáno několik přístupů k zakódování genetické informace modelů HNS. Dále je popsána řada experimentů s architekturou VGG-16, na jejichž základě je systém implementován. Součástí práce je i popis a řešení mnoha problémů s cyklickým trénováním na grafické kartě pomocí knihovny Tensorflow pro programovací jazyk Python.
|
|
|
Automaticka diagnostika 12svodoveho EKG pomoci hlubokeho uceni
Blaude, Ondřej ; Smital, Lukáš (oponent) ; Provazník, Valentine (vedoucí práce)
Tato diplomová práce má za cíl prozkoumat problematiku automatické diagnostiky EKG, a to na dvanáctisvodových záznamech. V kapitole první je krátce popsán úvod k srdci a měření jeho elektrické aktivity, navíc jsou zde krátce popsány abnormality, které budou v práci klasifikovány. Ve druhé kapitole je popsáno, jak bylo EKG diagnostikováno dříve, tedy klasickými metodami, které předcházely hlubokému učení. Zde jsou i zmíněny některé nedostatky, které tyto metody mají právě oproti hlubokému učení. Část třetí již věnuje pozornost hlubokému učení samotnému, jeho přínosu a výhodám ve srovnání s metodami klasickými. Popsány jsou zde i konvoluční neuronové sítě a jejich jednotlivé bloky, později je věnována pozornost i vybraným architekturám, které byly v některých studiích použity. Kapitola čtvrtá se již zaměřuje na praktickou část, v níž jsou podrobněji popsána použitá data z databáze PhysioNet, navržený algoritmus a jeho realizace. V páté kapitole jsou výsledky diskutovány a srovnány výsledky dostupných publikací se související problematikou.
|
|
|
Detekce obtížně diferencovatelných skupin srdečních arytmií
Kantor, Marek ; Ronzhina, Marina (oponent) ; Novotná, Petra (vedoucí práce)
Tato práce se zabývá problematikou detekčních metod fibrilace síní, flutteru síní a sinusového rytmu ze záznamu EKG. Práce rovněž pojednává o těchto arytmiích a klasifikačních algoritmech vhodných pro tuto problematiku. V rámci této práce je vytvořeno několik přístupů klasifikace. Pro extrakci příznaků je využita konvoluční neuronová síť a klasifikace je realizovaná prostřednictvím umělé neuronové sítě. Vybrána metoda 1D CNN pro tyto těžko diferencovatelné srdeční arytmie dosahuje průměrné přesnosti klasifikace F1 - skóre = 91 %. Vybrána CNN optimalizovaná pomocí GA je rychlá mělká síť s lepší přesností než hluboká síť. Vytvořené modely jsou použity i pro klasifikaci jiných typů arytmií.
|
|
|
Defect detection on fiber materials using machine learning
Lang, Matěj ; Richter, Miloslav (oponent) ; Honec, Peter (vedoucí práce)
Following Master's Thesis is presenting the creation of scanning unit, that will automate the quality check process in company SILON, for their fibered material. The process of manual detection is discussed and the automated solution is proposed. Several test are shown, that demonstrate effects of different lights on fibres dyed in Rhodamine. Optimal filter for camera is chosen, to achieve images with highest resolution possible and with enough definition. Next, the software tools for hardware control are presented and tools for building neural networks. Also, some basic info on current state of the art is provided, to explain some of the tools used. The network itself is shown and also its learning process and capabilities of defect detection.
|
|
|
Detekce aktuálního podlaží při jízdě výtahem
Havelka, Martin ; Králík, Jan (oponent) ; Krejsa, Jiří (vedoucí práce)
Tato diplomová práce se zabývá detekcí aktuálního podlaží při jízdě výtahem. Jedná se o funkcionalitu, která je nezbytná při pohybu robota ve vícepodlažní budově. Pro tuto úlohu je využita fúze akcelerometrických dat v průběhu jízdy výtahem a obrazových dat získaných z informačního displeje uvnitř výtahové kabiny. V rešeršní části jsou popsána již realizovaná řešení, metody datové fúze a možnosti klasifikace obrazu. Na základě této části byly vybrány vhodné přístupy pro řešení úlohy. V první fázi byly získány datové sady z různých typů výtahových kabin. Následně byl vyvinut algoritmus pro práci s daty z akcelerometrického senzoru. Byla vybrána a natrénována konvoluční neuronová síť, která byla využita pro klasifikaci obrazových dat. Následně byla implementována metoda datové fúze. Jednotlivé části byly samostatně otestovány a vyhodnoceny. Na základě jejich vyhodnocení byla provedena integrace do jednoho funkční systému, který byl úspěšně ověřen a otestován. Výsledná úspěšnost detekce při jízdě různými výtahy byla stanovena na 97%.
|
host ::
RSS.