|
|
Monitorování chodců pomocí dronu
Dušek, Vladimír ; Goldmann, Tomáš (oponent) ; Drahanský, Martin (vedoucí práce)
Tato práce se zabývá monitorováním lidí na videozáznamu pořízeným dronem. Detekce osob v obraze je realizována pomocí natrénovaného modelu detekční sítě RetinaNet. Každé detekované osobě je extrahován příznakový vektor pomocí barevných histogramů. Jednoznačná identifikace detekovaných osob je uskutečněna porovnáváním jejich příznakových vektorů s ohledem na jejich vzdálenost ve snímku. Nakonec je vykreslena trajektorie pohybů všech detekovaných osob do výsledného panoramatického obrázku. Úspěšnost detektoru na těžkých validačních datech je 58,6%. Chybovost je částečně vyřešena způsobem navrhnutí algoritmu pro vizualizaci trajektorií. Pro korektní vykreslení trajektorie osoby ji není nutné úspěšně detekovat v každém snímku. Zároveň statické objekty, kde je vysoká pravděpodobnost, že se nejedná o člověka, nejsou vizualizovány vůbec. Algoritmů zabývajících se detekcí lidí je velké množství, avšak přístupů zaměřených se na pohled z výšky je velmi poskromnu.
|
|
|
Implementace algoritmu hlubokého učení na embedded platformě
Ondrášek, David ; Boštík, Ondřej (oponent) ; Horák, Karel (vedoucí práce)
Bakalářská práce se zabývá implementací inferenčního modelu, založeného na metodách hlubokého učení na embedded zařízení. V první části je provedena rešerše strojového a následně hlubokého učení a některých používaných state-of-the-art metod. V další části se práce zabývá výběrem nejlepšího vhodného hardware. Na konci kapitoly jsou podle výsledků vybrány pro implementaci Jetson Nano a Raspberry Pi. Dále je vytvořen vlastní dataset s třídami pro detekci bonbonů Maoam a na jeho základě potom vytrénován pomocí transfer learning inferenční model. Ten je potom použit při sestavení vlastní aplikace na detekci objektů, která je implementována na Jetson Nano a Raspberry Pi. Výsledky jsou vyhodnoceny a jsou naznačeny další možná budoucí vylepšení.
|
|
|
Segmentace chrupavčité tkáně ve 3D mikro CT snímcích myších embryí
Matula, Jan ; Vičar, Tomáš (oponent) ; Chmelík, Jiří (vedoucí práce)
Manuální segmentace chrupavčité tkáně v mikro CT snímcích myších embryí je velice časově náročná a značně zvyšuje čas potřebný pro výzkum vývoje obličejové části lebky savců. Jako řešení tohoto problému se jeví využití automatických segmentačních algoritmů. V této práci navržena plně automatická segmentační metoda využívající konvoluční neuronovou síť naučenou na manuálně segmentovaných obrazech. Architektura této konvoluční neuronové sítě vychází z architektury U-Net, jejíž enkóderová část je nahrazena za enkóderovou část klasifikační neuronové sítě VGG16 s váhami byly předučenými na databázi označených obrazů ImageNet. Bylo dokázáno, že navržený postup segmentace dosahuje při porovnání s obrazy manuálně segmentovanými expertem v průměru Dice koeficientu 0,8731 ± 0,0326.
|
|
|
Metody hlubokého učení pro segmentaci cév a optického disku v oftalmologických sekvencích
Rozhoňová, Andrea ; Odstrčilík, Jan (oponent) ; Hesko, Branislav (vedoucí práce)
Cílem následující diplomové práce bylo studium problematiky segmentace optického disku a cév sítnice v oftalmologických sekvencích. Teoretická část práce shrnuje principy různých přístupů z oblasti hlubokého učení, které se v souvislosti s danou problematikou využívají. Na základě teoretické části jsou navrženy metody pro segmentaci optického disku a pro segmentaci cév sítnice založené na konvolučních neuronových sítích Linknet, PSPNet, Unet a MaskRCNN. Popisem jejich implementace a následným zhodnocením se zabývá praktická část diplomové práce.
|
|
|
Vícetřídá segmentace 3D lékařských dat pomocí hlubokého učení
Slunský, Tomáš ; Uher, Václav (oponent) ; Kolařík, Martin (vedoucí práce)
Diplomová práce se zabývá segmentací obrazu do více tříd pomocí konvolučních neuronových sítí. Teoretická část práce se zaměřuje na souhrn problematiky segmentace obrazu, kde jsou popsány základní principy fungování jak samotných neuronových sítí, tak segmentací obrazu včetně popsání jejich různých typů a variant. V praktické částí je zvolena pro segmentace obrazu a podrobněji popsána architektura U-net, která byla aplikována na dataset medicínských dat. Dále je tu popsán postup zpracování trojrozměrných dat, jejich předzpracování a metody, jakými byla provedena celá vícetřídá segmentace. Závěr práce vyhodnocuje dosažené výsledky a zasazuje je do širšího kontextu.
|
|
|
Detekce registrační značky vozidla ve videu
Líbal, Tomáš ; Hradiš, Michal (oponent) ; Herout, Adam (vedoucí práce)
Tato práce se zabývá přípravou trénovací datové sady a trénováním konvoluční neuronové sítě pro detekci registrační značky vozidla ve videu. Pro detekce byla použita technologie Darknet, konkrétně model neuronové sítě YOLOv3-tiny. Řešení bylo zaměřeno na co nejpřesnější detekce a na co nejmenší počet falešných detekcí na obrázek, a tím dosáhnout co nejmenší celkové chyby modelu. Datová sada byla připravena z již existujících volně dostupných datových sad, z datové sady poskytnuté výzkumnou skupinou GRAPH@FIT a z vlastnoručně anotovaných obrázků vytvořených ze stažených videí ze serveru YouTube. Tato datová sada byla dále také zpracována pomocí augmentace dat, čímž byla rozšířena na dvojnásobnou velikost. Pro vytvoření anotací byl použit nástroj YOLO Mark. Pro vizualizaci chybovosti modelu byla použita ROC křivka. Vytvořené řešení dosahuje minimální celkové chyby 10,849%. Součástí řešení je i již zmiňovaná datová sada.
|
|
|
Využití evolučních algoritmů při učení neuronových sítí
Vosol, David ; Rozman, Jaroslav (oponent) ; Zbořil, František (vedoucí práce)
Tato práce má za úkol nalézt a porovnat možnosti spolupráce evolučních algoritmů při učení neuronové sítě a také jejich následné porovnání s klasickým přístupem učení pomocí back-propagation. Toto porovnání je demonstrováno na hluboké dopředné síti, která je využita při klasifikačních úlohách. Optimalizace probíhá na úrovni hledání optimálních hodnot vah a biasů sítě při zachování její stejné topologie. Jako evoluční algoritmy pro tuto optimalizaci jsou vybrány tři metody. Jedná se o genetický algoritmus, diferenciální evoluci a optimalizaci hejnem částic. Demonstrační program je implementován v programovacím jazyce Python3 a to bez použití knihoven pro strojové učení.
|
|
|
Neuronová síť pro přenos stylu
Kadlec, Filip ; Matoušek, Radomil (oponent) ; Hůlka, Tomáš (vedoucí práce)
V této bakalářské práci je popsáno strojové učení, typy umělých neuronových sítí a pochody v neuronových sítích, jako dopředné zpracování dat či trénování a učení samotných sítí. Také se zde srovnávají a popisují prostředky pro implementaci neuronových sítí. Praktická část je věnována problematice přenosu uměleckého stylu pomocí konvoluční neuronové sítě.
|
|
|
Recommender System for Web Articles
Kočí, Jan ; Kesiraju, Santosh (oponent) ; Fajčík, Martin (vedoucí práce)
Recommender systems for web articles are the main interest of this thesis. It explains the most popular approaches used to build these systems, proposes a neural-network-based architecture applying the Skip-gram inspired negative sampling method to the recommendation problem, implements this architecture together with several other models, using Singular value decomposition, collaborative filtering with Alternating Least Squares (ALS) algorithm and a content-based approach using the Doc2Vec algorithm to create document vectors from the obtained articles. Finally, it implements three evaluation metrics - namely the RANK metric, Recall at k and Precision at k - and compares the models with state-of-the-art. Apart from that it also gives a brief discussion on the role and purpose of these systems together with the motivation of using them.
|
|
|
Extrakce melodie pomocí hlubokého učení
Balhar, Jiří ; Hajič, Jan (vedoucí práce) ; Maršík, Ladislav (oponent)
Extrakce melodie patří mezi nejdůležitější a nejtěžší úlohy oboru Music Information Retrieval, právě melodie je totiž tím hlavním, co si člověk po poslechu skladby odnáší a z podstaty se tedy často jedná o její nejvýraznější rys. Přítomnost hudebního dopro- vodu, který melodii podbarvuje, však pro algoritmické metody znemožňuje její průběh spolehlivě zachytit. V posledních letech se proto obor posouvá směrem k využívání metod hlubokého učení, které jsou schopny dřívější pravidlové systémy překonat. Na tyto práce navazujeme, představujeme tři nové metody a experimentálně ověřujeme volby, které jsme při jejich návrhu učinili. Ukazujeme, že nová architektura Harmonic Convolutional Neural Network, založená na úpravě vnitřního uspořádání obvyklé konvoluční sítě, díky které je schopna lépe zachytit harmonickou povahu jednotlivých tónů ze vstupních spektrogramů s logaritmickou osou frekvence, překonává state-of-the-art metody pro extrakci melodie na většině veřejně dostupných datasetech. 1
|
host ::
RSS.