|
|
Design of learning and equipment module using AI on Raspberry PI and Intel Movidius platform
Macko, Tomáš ; Richter, Miloslav (oponent) ; Janáková, Ilona (vedoucí práce)
This bachelors thesis describes the process of implementing trained neural network model to AI accelerator - Intel Movidius. The first chapter is about machine learning and computer vision theory. The second chapter describes the options which can be chosen for programming of convolutional neural networks as programming language or related libraries which suit the most. The third and fourth chapters are highly connected. They describe the whole process of hardware installation and troubleshooting of software issues during installation. The next chapter shows previews of images, which are used as data input for neural network. Next pages describe used scripts and models of neural networks which were created from scratch. The last chapters are all about measured datas during the training or testing of neural networks and its evaluation.
|
|
|
Anatomy based landmark detection in brain CT scans
Krajčiová, Alexandra ; Harabiš, Vratislav (oponent) ; Jakubíček, Roman (vedoucí práce)
Manual detection of anatomical landmarks from head CT (Computed Tomography) scans is time-consuming task prone to observer errors. In addition, the accuracy of the detection correlates with image quality. The aim of this work is to create an algorithm that will perform automatic detection of anatomical landmarks. These landmarks can be later used to form radiological lines, which finds its application in CT scanning. SVM (Support Vector Machines) and HOG (Histograms of Oriented Gradients) features was chosen for anatomical landmark detection. The achieved results, possibilities of further progress and improvement of detection are summarized in the conclusion.
|
|
|
Biometrie s využitím snímků sítnice s nízkým rozlišením
Smrčková, Markéta ; Odstrčilík, Jan (oponent) ; Kolář, Radim (vedoucí práce)
Tato práce se zabývá návrhem metody pro biometrickou identifikaci ze snímků oční sítnice. První část práce je zaměřena především na principy a pojmy, využívané v biometrii, anatomii oka a metody pro biometrii sítnice. Je zde popsána podstata neuronových sítí a hlubokého učení, které budou v praktické části využity. V poslední části se práce věnuje popisu zvoleného identifikačního algoritmu, jeho implementaci a zhodnocení výsledků biometrického systému.
|
|
|
Aproximace hlubokých neuronových sítí
Stodůlka, Martin ; Mrázek, Vojtěch (oponent) ; Vaverka, Filip (vedoucí práce)
Cílem mé práce je zjistit vliv a dopad aproximovaného počítání na přesnost hluboké neuronové sítě, konkrétně neuronové sítě pro klasifikaci obrazu. Pro implementaci neuronové sítě byla použita varianta frameworku Caffe zvaná Ristretto-caffe, která byla rozšířena o možnost použití aproximovaných operací v konvolučních vrstvách. pro používání aproximovaných komponent. Aproximované počítání bylo použito na násobení v dopředné propagaci při konvoluci. Jako aproximované komponenty byly zvoleny komponenty z knihovny Evoapproxlib.
|
|
|
Vliv pozadí a velikosti databáze na trénování neuronových sítí pro klasifikaci obrazů
Mikulec, Vojtěch ; Kolařík, Martin (oponent) ; Rajnoha, Martin (vedoucí práce)
Tato bakalářská práce se zaobírá vlivem pozadí a velikosti databáze na trénování neuronových sítí pro klasifikaci obrazů. V práci jsou popsány techniky zpracování obrazů pomocí konvolučních neuronových sítí a vliv pozadí (šumu) a velikosti databáze na trénování. Práce navrhuje metody, se kterými lze dosáhnout rychlejšího a přesnějšího procesu trénování konvolučních neuronových sítí. Pro experimentování je vybrána binární klasifikace datové množiny označených tváří z různého prostředí, jejíž pozadí je pro každý experiment modifikováno nahrazením barvou nebo ořezáním. Velikost datové množiny je pro trénování konvolučních neuronových sítí klíčová, v této práci je experimentováno s velikostí trénovací množiny, což simuluje reálný problém s nedostatkem dat při trénování konvolučních neuronových sítí pro klasifikaci obrazů.
|
|
|
Food classification using deep neural networks
Kuvik, Michal ; Přinosil, Jiří (oponent) ; Burget, Radim (vedoucí práce)
The aim of this thesis is to study problems of deep convolutional neural networks and the connected classification of images and to experiment with the architecture of particular network with the aim to get the most accurate results on the selected dataset. The thesis is divided into two parts, the first part theoretically outlines the properties and structure of neural networks and briefly introduces selected networks. The second part deals with experiments with this network, such as the impact of data augmentation, batch size and the impact of dropout layers on the accuracy of the network. Subsequently, all results are compared and discussed with the best result achieved an accuracy of 86, 44% on test data.
|
|
| |
|
|
Klasifikace obrazů pomocí genetického programování
Jašíčková, Karolína ; Vašíček, Zdeněk (oponent) ; Sekanina, Lukáš (vedoucí práce)
Tato práce se zabývá klasifikací obrazu pomocí genetického programování a koevoluce. Algoritmy genetického programování umožňují generovat spustitelné struktury a navrhovat tak automatizovaně řešení ve formě programů. Použití koevoluce s predikcí fitness snižuje časovou náročnost výpočtu fitness a tím i dobu trvání celého algoritmu. Práce popisuje teoretický základ evolučních algoritmů a zejména kartézské genetické programování. Jsou také popsány vlastnosti koevolučních algoritmů a zejména navržená metoda pro návrh klasifikátoru obrazu s využitím koevoluce fitness prediktorů, jejímž cílem je nalézt kompromis mezi přesností klasifikace, dobou návrhu a složitostí klasifikátoru. Součástí práce je implementace navžené metody, provedení experimentů a srovnání získaných výsledků s ostatními metodami.
|
|
|
Texture modeling applied to medical images
Remeš, Václav ; Haindl, Michal (vedoucí práce)
V práci jsou prezentovány nové deskriptivní mnoharozměrné markovské tex- turní modely aplikované na počítačem podporovanou diagnostiku rentgenových mamogramů. Tyto netriviální matematické modely, aplikovatelné též v široké oblasti modelování mnoharozměrných vzájemně korelovaných dat mimo mamo- grafii, umožňují, oproti standardním diskriminativním modelům, ideální vizuální ověření pomocí syntézy odpovídajících datových prostorů. Veškeré dosažené výsledky byly podrobeny rozsáhlým benchmarkům. Práce prezentuje dvě metody klasifikace hustoty prsní tkáně z rentgenových mamogramů. Obě metody byly testovány na databázích MIAS a INbreast s výsledky srovnatelnými s nejnovějšími špičkovými metodami. Dále je představeno několik metod pro zcela automatické zvýrazňování mamo- grafických textur. Tyto metody jsou založeny na deskriptivních texturních mod- elech vyvinutých v rámci této práce, které se automaticky adaptují na texturu analyzovaného rentgenového snímku, díky čemuž jsou univerzální pro libovolný druh textury bez potřeby ručního nastavování konkrétních parametrů. Výstupy metod zvýrazňují oblasti zájmu detekované jako texturní abnormality. Metody umožňují nastavit zvýraznění na...
|
|
|
Aktivní učení pro klasifikaci obrázků
Lorenzová, Kateřina ; Pilát, Martin (vedoucí práce) ; Křen, Tomáš (oponent)
Práce se zabývá aplikací vybraných metod ke klasifikaci obrazu, inspi- rovanou chováním lidského oka. Využívá k analýze metody, které nevyžadují kom- pletní informaci ze zkoumaného obrazu. Místo toho používá samostatné agenty, kteří se po obraze pohybují a sami si vybírají, kterou další část obrazu potřebují vidět k upřesnění výsledku. Chování agentů je řízeno neuronovou sítí, pro tento úkol naučenou. K učení sítě byl použit evoluční algoritmus. Použitá data pocházejí z databáze obrázků ručně psaných čísel MNIST (2011). Tato sbírka obsahuje také oddělenou testovací mno- žinu dat, na které je úspěšnost agentů následně testována.
|
host ::
RSS.