|
|
Trénovatelné metody pro automatické zpracování biomedicínských obrazů
Uher, Václav ; Tučková,, Jana (oponent) ; Brezany, Peter (oponent) ; Burget, Radim (vedoucí práce)
Tato práce se zabývá možnostmi automatické segmentace biomedicínských obrazů. Pro 3D segmentaci obrazu byla navržena metoda využívající hluboké učení. V~práci jsou řešeny problémy návrhu sítě, paměťové optimalizace metody a následné složení výsledného obrazu. Unikátnost metody spočívá ve 3D zpracování snímku na GPU v kombinaci s~augmentací trénovacích dat a zachování rozměru výstupu s originálním snímkem. Toho je dosaženo rozdělením obrazu na menší části s překryvem a následným složením do původní velikosti. Funkčnost metody je ověřena na segmentaci lidské mozkové tkáně na snímcích z magnetické rezonance, kde překonává lidskou přesnost při porovnání odborník vs. odborník, a segmentaci buněk na řezech mozku octomilky z~elektronového mikroskopu, kde jsou překonány publikované výsledky z impaktovaného článku.
|
|
|
Klasifikace na množinách bodů v 3D
Střelský, Jakub ; Mráz, František (vedoucí práce) ; Šikudová, Elena (oponent)
Rostoucí zájem o klasifikaci 3D geometrických dat vedl k objevu PointNet, což je neuronová síť schopná přímého zpracování neuspořádaných množin bodů. Tato práce prozkoumává několik metod využítí obvyklých bodových příznaků v PointNet síti a jejich účinek na klasifikaci. Účinnost klasifikace předvedených metod byla experimentálně otestována a porovnána s výchozím modelem Point- Net na čtyřech různých sadách dat. Výsledky naznačují, že některé z uvažovaných bodových příznaků mohou vylepšit účinnost klasifikace na datech ve kterých ne- jsou objekty orientovány kanonicky. Obzvláště známé příznaky spin images za- komponované v PointNet síti byly úspěšné v našich experimentech. Objevili jsme navíc alternativu ke spatial transformer, což je součást PointNet sítě, která má za úkol potlačovat problém s nezarovnanou orientací objektů v datech. Další výsledky experimentů naznačují, že tato alternativa může být schopná konkurovat spatial transformer technice na obtížných datech. 1
|
|
|
Adversarial examples generation for deep neural networks
Procházka, Štěpán ; Neruda, Roman (vedoucí práce) ; Kratochvíl, Miroslav (oponent)
Modely strojového učení vykazují náchylnost k útokům za použití adversariálních vzorů, tedy uměle připravených vstupů s cílem zmást model. Předpokládaná práce si dává za cíl prozkoumat metody generování těchto vzorů v případě black-box útoku vedeného proti hlubokým neuronovým sítím určených pro klasifikaci obrazových dat. Posoudili jsme úspěšnost metod používajících zástupné (surrogate) modely a navrhli jsme vlastní řešení pro účely adversariálního útoku, založené na genetických algoritmech. Úspěšnost zkoumaných metod jsme ověřili provedením několika experimentů na datasetu Fashion MNIST. Empiricky bylo ověřeno, že námi navrhované řešení vykazuje skvělé výsledky, zejména v případě necíleného útoku na residuální konvoluční sítě.
|
|
|
Using DNN for triangular network analysis in geometric morphometry
Dvořáková, Gabriela ; Pelikán, Josef (vedoucí práce) ; Dupej, Ján (oponent)
Témou tejto práce je aplikácia hlbokého učenia na rozpoznávanie trojrozmerných objektov. Hlboké učenie už bolo úspešne použité na rozpozná- vanie 3D dát, avšak väčšina existujúcich prác volila reprezentáciu 3D objektov pomocou sekvencie 2D obrázkov alebo diskretizáciou do binárnych voxelov. Hlav- ným cieľom je navrhnúť alternatívne mapovanie 3D dát na vstupy NN. Predsta- víme tri reprezentácie: Prosté uloženie súradníc vrcholov do poľa, projekcia do 2D mriežky a množina povrchových lomených kriviek vedúcich jeho významnými čas- ťami. Všetky popísané reprezentácie sú testované na úlohe klasifikácie pohlavia pomocou NN a CNN na 3D faciálnych modeloch. Analyzovali sme vplyv relativi- zácie súradníc a vytvorenia modifikovanej datovej množiny extrakciou oblasti nosa z pôvodných trojuholníkových sietí. Experimentálne výsledky preukázali kvalitu prístupu s lomenými krivkami pomocou CNN úspešnosťou 84, 2%. 1
|
|
|
Navigace pomocí hlubokých konvolučních sítí
Skácel, Dalibor ; Veľas, Martin (oponent) ; Hradiš, Michal (vedoucí práce)
V této práci se věnuji problematice navigace a autonomního řízení za použití konvolučních neuronových sítí. Představuji zde hlavní přístupy využívající zpracování senzorických vstupů uváděné v odborné literatuře a popisuji teorii neuronových sítí, imitačního a zpětnovazebního učení. Dále rozebírám nástroje a metody vhodné pro zpracování systému řízení. V rámci práce jsem vytvořil dva typy modelů pro řízení vozidel v simulačním prostředí. Modely využívají učících algoritmů Dataset Aggregation a Deep Deterministic Policy Gradient. Vytvořené modely jsem otestoval v prostředí simulátoru TORCS a porovnal s dostupnými zdroji.
|
|
|
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.
|
|
| |
|
|
Konvoluční neuronová síť pro segmentaci obrazu
Mitrenga, Michal ; Petyovský, Petr (oponent) ; Jirsík, Václav (vedoucí práce)
Cílem bakalářské práce je seznámit se s problematikou konvolučních neuronových sítí a realizovat segmentaci obrazu. Toto téma v sobě zahrnuje obor počítačového vidění, který je používán v systémech s umělou inteligencí. Zvláštní pozornost je věnována procesu segmentace obrazu. Dále se práce věnuje základním principům umělých neuronových sítí, struktuře konvolučních neuronových sítí a zejména pak popisu jednotlivých architektur sémantické segmentace. Vybraná architektura SegNet je použiti v praktické aplikaci spolu s před-učenou sítí. Součástí práce je databáze obrazů CamVid, která je použita pro trénování. Pro testování je vytvořena databáze vlastních snímků. Praktická část je zaměřená na trénování CNN a hledání nevhodnějších parametrů pro učení sítě za pomocí SW Matlab.
|
|
|
Artificial Composition of Multi-Instrumental Polyphonic Music
Samuel, David ; Pilát, Martin (vedoucí práce) ; Neruda, Roman (oponent)
David Samuel Představujeme generativní model pro skládání klasické i populární hudby, jehož cílem je vytvářet hudbu na lidské úrovni. Hlavní překážkou je její složitá hierarchická struktura a absence rozumného automatického vyhodnocení její kvality. Na rozdíl od ostatních prací na podobné téma se snažíme generovat symbolickou reprezentaci hudby o více nástrojích hrajících současně, abychom pokryli širší hudební spektrum. Pro samotné skládání využíváme tři moduly založené na LSTM neuronových sítích; velké úsilí je vynaloženo na zjednodušení vstupní hudební reprezentace důkladnou analýzou dostupných dat. Naše práce slouží především jako ukázka toho, že současné technologie umožňují skládání hudby. Věříme, že námi navržený hudební analyzátor a generátor poslouží jako základ pro další výzkum v této oblasti. 1
|
|
|
Identifikace 2D CT axiálních řezů pomocí konvolučních neuronových sítí
Vavřinová, Pavlína ; Harabiš, Vratislav (oponent) ; Jakubíček, Roman (vedoucí práce)
Tato práce se zabývá klasifikací 2D axiálních CT řezů pacientských dat do šesti kategorií. K tomuto záměru byla využita oblast konvolučních neuronových sítí. Pro snadnější porozumění této problematice jsou nejprve vysvětleny základy neuronových sítí obecně a poté principy hlubokého učení zahrnující konvoluční neuronové sítě. Pro účely identifikace axiálních řezů byla vybrána konkrétně síť AlexNet, která byla po uzpůsobení otestovaná na vytvořené datové sadě. Celková úspěšnost klasifikace dosáhla 86%, po finálních úpravách došlo k mírnému zlepšení, kdy identifikační schopnost činila 87%.
|
host ::
RSS.