|
|
Rozpoznávání textu pomocí konvolučních sítí
Csóka, Pavel ; Behúň, Kamil (oponent) ; Hradiš, Michal (vedoucí práce)
Tato práce se zabývá tvorbou nových datových sad pro účely strojového učení rozpoznávání textu z fotografií a experimenty s konvolučními neuronovými sítěmi na těchto sadách. Popisuje architekturu konvolučních sítí, problémy rozpoznávání z fotografií a současné práce využívající tyto sítě. Dále tvorbu anotace datové sady fotografií stránek dokumentů, pořízených mobilními telefony, nazvané Mobile Page Photos. K anotaci je využit Tesseract OCR. Z této sady jsou vyříznutím znaků z fotografií vytvořeny dvě další. Jedná se o sady znaků dobře čitelných Mobile Nice Page Photos Characters a dobře i spatně až nečitelných Mobile Page Photos Characters, ve formátu datové sady číslic Street View House Numbers. S třemi vytvořenými modely konvolučních sítí jsou na datových sadách provedeny experimenty s rozpoznáváním textu, s jejichž pomocí je také odhadnuta chyba anotace.
|
|
|
Rozpoznávání tváří
Benda, Tomáš ; Hradiš, Michal (oponent) ; Smrž, Pavel (vedoucí práce)
Tato práce se zabývá rozpoznáváním lidí ve videozáznamu, respektive z kamery. K rozeznávání obličejů byla použita konvoluční neuronová síť, díky které získáme několika dimenzionální vektor rysů, pomocí kterého je možno zjistit totožnost osoby. Na systém jsou kladeny nároky, aby byl schopen pracovat v reálném čase a mohl být použit například pro rozpoznávání osob na různých konferencích, či jako součást bezpečnostního systému. Samotný systém je napsán v jazyce Python. Součástí této práce byla vytvořena datová sada ve formě videí s osobami.
|
|
|
Odhad rychlosti vozidla ze záznamu on-board kamery
Janíček, Kryštof ; Bartl, Vojtěch (oponent) ; Špaňhel, Jakub (vedoucí práce)
Tato práce se zabývá návrhem a vývojem systému pro odhad rychlosti vozidla ze záznamu palubní kamery. Odhad rychlosti je založen na odhadu optického toku mezi dvěma snímky a konvoluční neuronové síti. Na vytvořené datové sadě dokáže navržený systém odhadnout rychlost s průměrnou chybou 20% při rychlostech vyšších než 35 kilometrů za hodinu.
|
|
|
Systém pro měření s proporcionálními detektory
Kolář, Ondřej ; Matěj, Zdeněk (oponent) ; Kubíček, Michal (vedoucí práce)
Tato práce se zabývá vývojem měřicího systému pro použití s proporcionálními detektory ionizujícího záření. Systém umožňuje snadné získání dat z proporcionálních detektorů v podobě časových průběhů, které je možné dále analyzovat. Jeho jádrem je vývojová deska Red Pitaya STEMlab 125-14, která zajišťuje záznam rychlých signálů a jejich přenos do počítače k dalšímu zpracování. V první části práce je stručně popsána teorie ionizujícího záření a proporcionálních detektorů. Dále je zdokumentována poskytnutá měřicí aparatura s uvedením provedených vylepšení. Jádrem práce je popis kompletního programového vybavení měřicí jednotky, které bylo vytvořeno. V závěru práce je uveden průběh provedeného měření, jeho výsledky a možnost využití strojového učení pro zpracování dat z proporcionálních detektorů.
|
|
|
Reconstruction of Missing Parts of the Face Using Neural Network
Marek, Jan ; Drahanský, Martin (oponent) ; Goldmann, Tomáš (vedoucí práce)
The goal of this thesis is to design a neural network for reconstruction of face images in which a part of the face is obscured by a mask. Concepts used in the development of convolutional neural networks and generative adversarial networks are presented. Specific concepts used in neural networks used for face reconstruction are described. The generative adversarial network presented in this thesis combines the use of gated convolutional layers and dense multiscale fusion blocks to produce realistic reconstructions of masked face images.
|
|
|
Using advanced segmentation methods for images from TEM microscopes
Mocko, Štefan ; Chmelík, Jiří (oponent) ; Potočňák, Tomáš (vedoucí práce)
This master‘s thesis deals with the use of a convolutional neural networks for the segmentation task on images from transmission electron microscope. It also describes chosen neural network topology - U-NET, used augmentation techniques and programming environment. ThermoFisher Scientific (formerly FEI Czech Republic s.r.o.) provided data for this thesis. Obtained segmentation results are presented in the form of curves (ROC, PRC) and numerical values (ARI, DSC, Confusion matrices). Chosen U-NET topology achieved excellent results in the field of pixel-wise segmentation, and hopefully, these results will serve as a starting point for internal company research.
|
|
|
Detekce, sledování a klasifikace automobilů
Vopálenský, Radek ; Herout, Adam (oponent) ; Juránek, Roman (vedoucí práce)
Cílem této diplomové práce je navrhnout a implementovat v jazyce C++ systém pro detekci, sledování a klasifikaci automobilů ze streamů nebo záznamů dopravních kamer. Systém běží na platformě robotického operačního systému a využívá knihovny OpenCV, FFmpeg, TensorFlow a Keras. Pro detekci je využit kaskádový klasifikátor, pro sledování Kalmanův filtr a pro klasifikaci konvoluční neuronová síť. Úspěšnost detekce je 91.93 %, sledování 81.94 % a klasifikace 63.72 %. Tento systém je součástí komplexního systému, který umí navíc kalibrovat video a měřit rychlost automobilů. Výsledný systém je možné využívat pro analýzu dopravy.
|
|
|
Systém identifikace vlaků ve výhybkách pomocí pokročilých metod strojového učení
Krč, Rostislav ; Vorel,, Jan (oponent) ; Plášek, Otto (oponent) ; Podroužek, Jan (vedoucí práce)
Tato disertační práce pojednává o možnostech automatického rozpoznání vlaků ve výhybkách na základě akcelerometrických dat. Byl zohledněn současný stav poznání včetně požadavků výzkumných projektů jako S-Code, In2Track a Výhybka 4.0. V provedených experimentech byly uvažovány různé architektury umělých neuronových sítí (ANN) a statisticky vyhodnoceny různé scénáře použití. Výsledná přesnost dosáhla 89.2 % pro konvoluční neuronovou síť (CNN), která byla vybrána jako vhodná základní architektura pro další experimenty. Projevila se vysoká schopnost zobecnění problému, jelikož modely natrénované na datech z jedné lokality byly schopné určit typ lokomotivy na jiné lokalitě. Další experimenty posuzovaly vliv filtrů a redukce šumu. Ukázalo se, že natrénované modely jsou vhodné pro aplikaci in-situ s ohledem na hardwarová omezení, neboť mají malé nároky na paměť a výpočetní výkon. Kvůli omezenému množství naměřených dat byla využita data z elektrické přenosové soustavy, což umožnilo další upřesnění navržené CNN architektury. Nejvyšší přesnosti pro klasifikaci časových řad je dosaženo pomocí hluboké vícevrstvé architektury s využitím regularizačních metod jako dropout nebo normalizace batche. Využití aktivační mapy tříd (CAM) napomohlo vysvětlení rozhodovacího procesu neuronové sítě. Prezentované výsledky prokázaly proveditelnost identifikace typů vlaků přímo ve výhybce. CNN byla zvolena jako optimální architektura pro tento úkol, vzhledem k vysoké přesnosti, schopnosti automatické filtrace a rozpoznání vzorů, což umožňuje využití end-to-end strategie. Vzhledem k nízkým výpočetním nárokům je navíc možné použití natrénovaných modelů přímo na výhybce. Byly rovněž formulovány požadavky na minimální množství dat a parametry senzorů. Tato disertační práce přispívá k porozumění problematiky identifikace typů vlaků a poskytuje pevné teoretické základy pro další výzkum.
|
|
|
Rozpoznávání CAPTCHA kódů
Pazderka, Radek ; Rozman, Jaroslav (oponent) ; Zbořil, František (vedoucí práce)
Tato bakalářská práce se zaměřuje na návrh a implementaci aplikace sloužící k rozpoznávání textových CAPTCHA kódů. Popisuje algoritmy pro předzpracování obrazu, segmentaci a následnou klasifikaci znaků. Pro klasifikaci byly použity dva různé přístupy. Jedná se o konvoluční neuronovou síť LeNet a histogramový klasifikátor využívající Pearsonova korelačního koeficientu. Následně se zvolené klasifikátory testují na různých CAPTCHA kódech a zjišťuje se výsledná úspěšnost při rozpoznávání.
|
|
|
Detekce a rozměření elektronového svazku v obrazech z TEM
Polcer, Simon ; Vičar, Tomáš (oponent) ; Chmelík, Jiří (vedoucí práce)
Diplomová práce se zabývá automatickou detekcí a rozměřením elektronového svazku ve snímcích z transmisního elektronového mikroskopu. V úvodní části práce je popsána konstrukce a nejdůležitější součástky elektronového mikroskopu. Dále jsou v teoretické části shrnuty módy osvětlení fluorescenčního stínítka, které vznikají při práci na mikroskopu. K automatické detekci elektronového svazku jsou použity metody strojového učení, konkrétně konvoluční neuronová síť U-Net. Následné rozměření elektronového svazku je provedeno na základě aproximace oblasti elektronového svazku elipsou, kde parametry elipsy udávají rozměry svazku. Jelikož při učení neuronových sítí je potřeba mít dostatečně rozsáhlou databázi snímků, jsou v práci popsány metody umělého rozšíření databáze. V práci je navržena vlastní augmentační metoda, která využívá geometrické transformace a aplikuje je na základě módu osvětlení fluorescenčního stínítka. V závěru práce jsou shrnuty a diskutovány dosažené výsledky. Úspěšnost algoritmu je zhodnocena na variabilní skupině snímků pokrývající jednotlivé módy osvětlení fluorescenčního stínítka. Celková úspěšnost dosahuje 0,815 hodnoty DICE koeficientu, který udává míru překryvu dvou oblastí. Práce je kompletně zpracována v programovém prostředí Python.
|
host ::
RSS.