|
Lokalizace intrakraniálních hemoragií v axiálních řezech CT snímků hlavy.
Kopečný, Kryštof ; Chmelík, Jiří (oponent) ; Nemček, Jakub (vedoucí práce)
Tématem této práce je lokalizace intrakraniálních krvácení na snímcích počítačové tomografie pomocí jednofázového a dvoufázového detektoru založených na konvolučních neuronových sítích. Práce mimo základní poznatky z umělé inteligence klíčové pro pochopení procesu detekce objektů podává medicínské informace o patologii a zobrazování krvácení. Znalosti ze zmíněných okruhů se využijí pro vlastní návrh algoritmu pracujícím s veřejně dostupnými databázemi CT snímků hlavy a jejich anotací CQ500 a BHX. Součástí práce je vyhodnocení výsledků a jejich diskuse.
|
|
Využití umělé inteligence ve vibrodiagnostice
Dočekalová, Petra ; Huzlík, Rostislav (oponent) ; Zuth, Daniel (vedoucí práce)
Diplomová práce pojednává o strojovém učení, expertních systémech, fuzzy logice, genetických algoritmech, neuronových sítích a teorii chaosu, které spadají do kategorie umělé inteligence. Cílem práce je popsat a implementovat tři různé klasifikační metody, podle kterých bude zpracován soubor dat. Pro aplikaci dat bylo zvoleno SW prostředí GNU Octave z licenčních důvodů. Dále vyhodnotit úspěšnost klasifikace dat včetně vizualizace. Pro srovnání jsou použity tři různé klasifikační metody, abychom mohli zpracovaná data mezi sebou porovnávat.
|
|
Možnosti volně dostupné umělé inteligence
Ostrý, Lubomír ; Kumpán, Pavel (oponent) ; Appel, Martin (vedoucí práce)
Tato práce je zaměřena na volně dostupné nástroje a zdroje z oblasti umělé inteligence, konkrétně z odvětví machine learning. Jejím úkolem je prozkoumat současný stav, možnosti a omezení práce s open source programy umělé inteligence. První část práce popisuje vybrané základní pojmy týkající se machine learningu zejména neuronové sítě, jejich učení a využití. Další sekce se zaměřuje na nástroje pro machine learning, jsou zde popsány charakteristiky jednotlivých programů, kompatibilita a jejich využití. Zdroje volně přístupných dat pro učení neuronových sítí jsou tématem další z kapitol. Na ukázku byl vytvořen program používající některé z popsaných nástrojů demonstrující jejich možnosti a využití.
|
|
Hraní her pomocí neuronových sítí
Buchal, Petr ; Kolář, Martin (oponent) ; Hradiš, Michal (vedoucí práce)
Cílem této práce je naučit neuronovou síť pohybu v prostředích s klasickou kontrolou řízení, hraní tahové hry 2048 a několika Atari her. Jedná se o oblast zpětnovazebního učení. Jako zpětnovazební algoritmus využívající neuronové sítě jsem použil Hluboké Q-učení. Ten jsem pro zvýšení efektivity učení obohatil o několik vylepšení. Mezi vylepšení patří přidání cílové sítě, DDQN, duální architektura neuronové sítě a prioritní vzpomínková paměť. Experimenty s klasickou kontrolou řízení zjistily, že nejvíce zvedá efektivitu učení přidání cílové sítě. V prostředích her dosáhlo Hluboké Q-učení několikanásobně lepších výsledků než náhodný hráč. Výsledky a jejich analýza mohou být využity ke vhledu do problematiky zpětnovazebních algoritmů využívajících neuronové sítě a zdokonalení použitých postupů.
|
|
Popis vazby průtoků a plavenin ve vybraných profilech vodních toků
Bobková, Dominika ; Janál,, Petr (oponent) ; Marton, Daniel (vedoucí práce)
Problematika vztahu mezi průtokem a koncentrací plavenin je celosvětově velmi řešené téma. Se znalostí koncentrací plavenin v tocích se dá vyhnout problémům s nadměrným zanášením vodních děl a předcházet tak nedostatečné kapacitě vodních nádrží. Tato diplomová práce částečně navazuje na bakalářskou práci, kterou rozšiřuje a zavádí nové postupy. K analýze vztahu mezi průtokem a koncentrací plavenin jsou využity neuronové sítě, přesněji vícevrstvé perceptronové neuronové sítě. Výsledky sítí jsou následně zpracovávány v programu Excel do podoby grafů a hodnoceny pomocí koeficientu determinace, Nash-Sutcliffova koeficientu a koeficientu RMSE. Praktická aplikace je řešena na dvou profilech – profilu Podhradí nad Dyjí a profilu Židlochovice. Každý profil je zkoumán v jiném časovém období.
|
|
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.
|
|
Vyhledávání osob ve fotografii
Svoboda, Pavel ; Žák, Pavel (oponent) ; Švub, Miroslav (vedoucí práce)
Základem rozpoznávání lidí ve fotografii je obecně počítačové vidění, které poskytuje metody a algoritmy pro samotnou implementaci. Některé z nich popisuje právě tato práce. Celý proces rozpoznávání lidí je zpracován do tří fází. Těmi jsou detekce, zarovnání detekovaného obličeje a konečně jeho rozpoznání. Ke každé fázi jsou zmíněny algoritmy, které se v dané problematice používají a jenž jsou ze současného pohledu stále vyvíjeny. V implementaci tvoří páteř systému 3 základní algoritmy, mezi které patří AdaBoost pro získání klasifikátoru k detekci, metoda zarovnání obličeje na základě markantních rysů a metoda Eigenfaces k samotnému rozpoznávání. Teoreticky jsou rozebrány mimo výše uvedené i neuronové sítě pro detekci, ASM - Active Shape Models pro zarovnání a AAM - Active Appearance Model pro rozpoznávání. Závěrem nechybí tabulky dat vyhodnocující implementaci.
|
|
Aplikace posilovaného učení při řízení modelu vozidla
Maslowski, Petr ; Uhlíř, Václav (oponent) ; Šůstek, Martin (vedoucí práce)
Tato práce se zabývá vytvořením autonomního agenta pro řízení modelu vozidla. Rozhodování agenta je řízeno pomocí posilovaného učení (reinforcement learning) s využitím neuronových sítí. Agent získává snímky z přední kamery vozidla a na základě jejich interpretace vybírá vhodné akce pro řízení vozidla. V rámci práce jsem navrhl několik funkcí odměn a s vytvořenými modely jsem experimentoval úpravou hyperparametrů. Výsledný agent pak simuluje řízení vozidla na silnici. Výsledek této práce ukazuje možný přístup k ovládání autonomního vozidla, které se učí řídit metodou strojového učení v simulátoru CARLA.
|
|
Detekce a rozpoznávání dopravních značek
Číp, Pavel ; Honec, Peter (oponent) ; Horák, Karel (vedoucí práce)
Práce se zabývá diskuzí nad metodami detekce a rozpoznávání dopravních značek v městském i mimoměstkém prostředí. Předpokladem pro realizaci systému je zabudovaná kamera, obvykle ve zpětném zrcátku automobilu, snímající scénu před automobilem. Její obrazová data jsou posléze zpracována připojeným PC, kde dochází k převodu dat na informace a jejich vyhodnocení. O případné nalezené značce je řidič vizuálně či akusticky upozorněn. Úloha vedoucí k úspěšnému cíli je rozdělena do čtyřech samostatných bloků. V první části je předzpracování obrazu jako takového. Pracujeme s barevným obrazem a s využitím znalosti o barevnosti dopravních značek v České republice, lze provést barevnou segmentaci žádaných intervalů. Druhým krokem je detekce geometrických tvarů odpovídajících dopravním značkám v segmentovaných datech. Krokem číslo tři je rozpoznání vnitřního piktogramu a jeho nalezení v databázi. Posledním krokem je vizuální výstup zobrazením nalezené dopravní značky. Práce byla zpracována tak, aby byla zajištěna detekce všech důležitých dopravních značení ve třech základních barevných kombinacích platných dle Ministerstva dopravy České republiky. Výsledkem je zdrojový kód pro program MATLAB.
|
|
Řízení entit ve strategické hře založené na multiagentních systémech
Knapek, Petr ; Kočí, Radek (oponent) ; Zbořil, František (vedoucí práce)
Tato práce se zaměřuje na návrh a implementaci systému podpory učení a plánování agentů schopných hry real-time strategických her typu StarCraft. Budou vysvětleny problémy ovládání herních objektů a protivníků počítačem a představeny obvykle používané způsoby řešení. Na základě analýzy je navržen a implementován nový systém využívající multiagentního přístupu k ovládání hry a metod strojového učení, který je schopný porážet protivníky a přizpůsobovat se novým výzvám.
|