|
|
Knihovna pro návrh konvolučních neuronových sítí
Rek, Petr ; Mrázek, Vojtěch (oponent) ; Sekanina, Lukáš (vedoucí práce)
V rámci této diplomové práce je čtenář seznámen s problematikou neuronových a konvolučních neuronových sítí. Na základě těchto znalostí je poté proveden návrh a implementace knihovny umožňující práci s konvolučními neuronovými sítěmi - od návrhu, přes trénování až po validaci. Výsledná knihovna je poté vyhodnocena na klasických úlohách pro konvoluční neuronové sítě a porovnána s jinými knihovnami. Rozšířením knihovny, díky kterému se odliší od jiných volně dostupných, je nezávislost na datovém typu. Každá vrstva může mít až tři na sobě nezávislé datové typy - pro váhy, pro inferenci a pro učení. Za účelem vyhodnocení tohoto rozšíření je součástí knihovny i datový typ s pevnou řádovou čárkou. Vliv této reprezentace na přesnost natrénované sítě je podroben experimentům.
|
|
|
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.
|
|
|
Detekce, sledování a klasifikace automobilů
Vopálenský, Radek ; Sochor, Jakub (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. Z celkového počtu 627 automobilů bylo správně sledováno 479. Z toho bylo klasifikováno celkem 458 (nejsou zahrnuty kamiony nebo nákladní automobily). Výsledný systém je možné využívat pro analýzu dopravy.
|
|
|
Principy a aplikace neuroevoluce
Herec, Jan ; Strnadel, Josef (oponent) ; Bidlo, Michal (vedoucí práce)
Práce se na teoretické úrovni zabývá evolučními algoritmy (EA), neuronovými sítěmi (NN) a jejich syntézou v podobě neuroevoluce. Z praktického hlediska je cílem práce ukázat uplatnění neuroevoluce na dvou odlišných úlohách. První úloha spočívá v evolučním návrhu architektury konvoluční neuronové sítě (CNN), která by dokázala klasifikovat s vysokou přesností ručně psané číslice (z datasetu MNIST). Druhá úloha spočívá v evoluční optimalizaci vah neurokontroléru, který řídí přistání 1. stupně rakety Falcon 9 ve 2D simulaci. Obě úlohy jsou výpočetně velmi náročné a proto byly řešeny na superpočítači. V rámci první úlohy se podařilo navrhnout takové architektury, které při správném natrénování dosahují přesnosti klasifikace 99,49%. Ukázalo se tak, že je možné návrh kvalitních architektur zautomatizovat s využitím neuroevoluce. V rámci druhé úlohy se podařilo optimalizovat váhy neurokontroléru tak, že pro definované počáteční podmínky dovede neurokontrolér model rakety k úspěšnému přistání. V obou úlohách tedy neuroevoluce uspěla.
|
|
|
Zpětnovazební učení pro řešení herních algoritmů
Daňhelová, Jana ; Uher, Václav (oponent) ; Kolařík, Martin (vedoucí práce)
Bakalářská práce Zpětnovazební učení pro řešení herních algoritmů je rozdělena do dvou částí. V teoretické části jsou popsány a srovnávány základní metody zpětnovazebního učení, přičemž zvláštní pozornost je věnována metodám aktivního učení – Q-učení a hlubokému učení. Praktická část je zaměřena na aplikaci metody deep learning na hru Had. Výsledky jsou prezentovány ve formě programu napsaného v programovacím jazyku Python, který se skládá z herního prostředí vytvořeného v PyGame, modelu konvoluční neuronové sítě zkonstruovaného v knihovně Keras a herního agenta. Výstupem programu je několik typů datasetů ve formátu csv. Získaná data, obsahující hodnoty jednotlivých parametrů jako počet epoch, přesnost, ztráta nebo výše odměny, mohou být následně použita jako podklady pro další zpracování.
|
|
|
Protection of sensitive data contained in images
Mezina, Anzhelika ; Rajnoha, Martin (oponent) ; Burget, Radim (vedoucí práce)
This work is focused on application of deep learning in security problem of escape sensitive information, that is contained in images. The presented solution of this problem is using Single Shot Multibox Detector and Fully Connected Network (FCN). FCN is faster than other methods and can be applied in industry, where is a need to analyse input and output information very quickly, for example, in network traffic analysis. In the first part of this work, methods that can be used in keyword detection are described. The second part contains a description of experiment and achieved results for two models of neural network: Single Shot Multibox Detector and Fully Connected Network. The second one gave better results and can be used in practice.
|
|
|
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 semaforu ve snímku dopravní situace
Boček, Václav ; Jirsík, Václav (oponent) ; Horák, Karel (vedoucí práce)
Tato bakalářská práce se zabývá detekcí semaforu a rozpoznáním stavu jeho světel na snímku z dopravní situace pomocí metod strojového učení. V teoretické části textu jsou zmíněny rozdílné přístupy k řešení tohoto problému. V praktické části je popsán vlastní návrh systému s využitím konvolučních neuronových sítí a výsledky testování navrženého systému.
|
|
|
Detekce anatomických struktur v CT datech s využitím konvolučních neuronových sítí
Kozlová, Dominika ; Jan, Jiří (oponent) ; Jakubíček, Roman (vedoucí práce)
Tato diplomová práce se zabývá problematikou detekce anatomických struktur v medicínských obrazech s využitím konvolučních neuronových sítí (CNN). Nejprve jsou popsány metody strojového učení, konvoluční neuronové sítě a vybrané přístupy k detekci s využitím CNN. V rámci práce byla vytvořena databáze anotovaných CT snímků deseti anatomických struktur (hlava, srdce, aorta, levá a pravá plíce, páteř, játra, levá a pravá ledvina, slezina). Dále byla navržena metoda umožňující jejich detekci, která obsahuje dva postupy získání oblastí ze snímku, CNN a závěrečné zpracování pro získání výsledku detekce. Navržený algoritmus byl implementován v programovacím jazyce Python s využitím knihovny TensorFlow. Získané výsledky validace sítě a výsledky detekce jsou uvedeny a diskutovány v poslední kapitole.
|
|
|
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.
|
host ::
RSS.