|
|
Klasifikace objektů zpracováním obrazu na základě změny topologie
Zbavitel, Tomáš ; Věchet, Stanislav (oponent) ; Krejsa, Jiří (vedoucí práce)
Cílem předkládané práce je vybrat vhodnou metodu klasifikace objektů pro rozpoznání znaků jednoruční prstové abecedy. Za tímto účelem byla vytvořena dostatečně mohutná množina dat, která je součástí této práce. Vytvoření množiny dat je nutné pro trénink konvoluční neuronové sítě. Dále byla nalezena vhodná topologie pro klasifikaci dat. Celá práce je implementována pomocí programu Python a byla použita open-source knihovna Keras.
|
|
|
Klasifikace UAV hyperspaktrálních obrazových dat s využitím metod hlubokého učení
Řádová, Martina ; Potůčková, Markéta (vedoucí práce) ; Kupková, Lucie (oponent)
Uvedená diplomová práce "Klasifikace UAV hyperspektrálních (HS) obrazových dat s využitím metod hlubokého učení" se v obecné rovině věnuje klasifikačním metodám hyperspektrálních snímků. Ve své rešeršní části diplomová práce podává obecný přehled metod konvolučních neuronových sítí. Na základě toho je sestaven přehledný rámec jako podklad pro vytipování vhodné metody pro tuto práci. Vybrány jsou dvě metody s otevřeným řešením v jazyce Python. Zvolenými metodami jsou Capsule Network a U-Net. Cílem práce je ověřit vhodnost těchto metod pro klasifikaci hyperspektrálních snímků krkonošské tundry s vysokým prostorovým rozlišením. Dílčím cílem je i příprava vstupních HS (54 pásem, 9 cm) dat do vhodné podoby pro vstup do sítě. Vzhledem ke složitosti architektury nebylo dosaženo všech požadovaných výsledků u metody Capsule Network. Pro účely porovnání a ověření výsledků byla použita metoda U-Net. Ta dosáhla přesnějších výsledků oproti hodnotám získávaným tradičními metodami (SVM, ML, RF a další), kdy celková přesnost byla u U-Net vyšší než 90% a u ostatních zmiňovaných metod OA nepřesáhla 88%. Zejména třídy suť a kleč vyšly výrazně přesněji než všechny ostatní třídy (UA - user's accuracy a PA - producer's accuracy přes 99%). Klíčová slova Hluboké učení, konvoluční neuronové sítě, hyperspektrální snímky,...
|
|
|
Anticurtaining - obrazový filtr pro elektronovou mikroskopii
Dvořák, Martin ; Dobeš, Petr (oponent) ; Zemčík, Pavel (vedoucí práce)
Tomografická 3D analýza v nanometrovém měřítku využívá snímky vzorků získané s využitím fokusovaného iontového svazku (FIB), při jejichž snímání ale dochází z fyzikálních důvodů k poškození "curtaining" efektem. Tato práce představuje nový přistup k odstranění curtaining efektu ze snímků pomocí strojového učení. Pro jeho odstranění je využita konvoluční neuronová síť (CNN) a technika učení s učitelem. Navržená síť pracuje s příznaky, které vytváří vlnková (wavelet) transformace a jejím výstupem je vizuálně "vyčištěný" snímek. K učení sítě je využita syntetická datová sada poškozených snímků, které jsou vytvořeny generátorem simulujícím fyzikální proces tvorby reálného snímku. Simulace se skládá z "opotřebení" vzorku pomocí fokusovaného iontového svazku (FIB) a zobrazení povrchu pomocí skenovacího elektronového mikroskopu (SEM). Nově vytvořený přístup velmi dobře pracuje i s reálně pořízenými snímky. Kvalitativní vyhodnocení představeného řešení a srovnání s jiným řešením hodnotili laici i experti na tuto problematiku. Řešení představuje nový nadějný přístup k odstranění curtaining efektu a přispívá k lepšímu postupu zpracování i porozumění snímkům pořízeným při materiálové analýze.
|
|
| |
|
|
Detekce použití retušovacích filtrů ve snímku s obličejem
Kraváček, Adam ; Drahanský, Martin (oponent) ; Goldmann, Tomáš (vedoucí práce)
Úprava snímku pomocí filtrů je jeden z nejjednodušších způsobů jak lze v dnešní době vylepšit jeho vlastnosti. Sociální sítě jako Instagram nebo Snapchat, zaměřené primárně na sdílení snímků, nabízejí svým uživatelům při nahrávání snímků filtry, které upravují barvy ve snímku a dělají jej tak atraktivnějším. V případě získávání snímků z těchto platforem by tak mnoho snímků mělo aplikovaný filtr. Tato práce vysvětluje principy těchto filtrů. Dále se zabývá detekcí filtrů ve snímcích s obličejem, experimentuje s několika různými přístupy. Detekce pomocí analýzy histogramu a detekce konvoluční neuronovou sítí se jeví jako nejlepší, a tak jsou implementovány do programu s jednoduchým uživatelským prostředím. Dosahují úspěšnosti 94,44% (histogram) a 99,10% (neuronová síť). Také je zkoumán vliv filtrů na identifikaci osob, který je závislý na aplikovaném filtru. Některé filtry výrazně zhoršují úspěšnost identifikace osob podle snímku obličeje, zatímco jiné mají minimální dopad. Obecně se však dá říci, že změny způsobené filtry nejsou zanedbatelné.
|
|
|
Psaní na počítači pomocí mozkových signálů
Wagner, Lukáš ; Malinka, Kamil (oponent) ; Tinka, Jan (vedoucí práce)
Tato práce se zabývá implementací rozhraní mezi mozkem a počítačem v jazyce Python umožňující psát a komunikovat s použitím zařízení EEG. Práce studuje a hodnotí dosavadní technologie rozhraní mezi mozkem a počítačem pro použití za tímto účelem. Dále se práce zabývá použitím strojového učení, které se v technologii používá, zejména neuronovými sítěmi, jež se prokázaly být jednou z nejpřesnějších metod klasifikace signálu EEG. Následně jsou navrženy a implementovány 3 různé systémy založené na různých paradigmatech vyvolávání změny potenciálu EEG vizuální cestou. Tyto systémy byly na závěr otestovány s různými přístupy ke zpracování signálu. Bohužel žádný ze systémů neuspěl v komunikaci cílových písmen.
|
|
|
Lokalizace šachových figurek na hrací ploše z fotografie
Hampl, Tomáš ; Špaňhel, Jakub (oponent) ; Hradiš, Michal (vedoucí práce)
Hlavním cílem této práce bylo analyzovat stav šachové partie a lokalizovat šachové figurky na šachovnici. Rozpoznání šachovnice je založené na lokalizaci čar v obraze pomocí Houghovy transformace a PClines. Figurky byly detekovány modely konvolučních neuronových sítí - YOLOv3, YOLOv4 a YOLOv4 tiny. Vyhodnocení bylo provedeno na vlastní datové sadě. Detekce šachovnice dosahuje přesnosti 97%, kompletní lokalizace stavu šachovnice dosahuje 74,5% a lokalizace figurek 96%.
|
|
|
Depth-Based Determination of a 3D Hand Position
Ondris, Ladislav ; Tinka, Jan (oponent) ; Drahanský, Martin (vedoucí práce)
This work aims to offer a real-time, depth-based gesture recognition system using a hand's skeletal information. The Tiny YOLOv3 neural network detects the hand in the depth image. The detected hand is rid of the background and used by the JGR-P2O neural network, which estimates the hand's skeleton represented by 21 key points. Furthermore, a novel technique for gesture recognition from hand key points that compares the input skeleton with user-defined gestures has been proposed. A dataset consisting of four thousand images was captured to evaluate the system.
|
|
|
Detekce komorových extrasystol v EKG
Imramovská, Klára ; Hejč, Jakub (oponent) ; Ronzhina, Marina (vedoucí práce)
Práce se zabývá problematikou automatické detekce komorových extrasystol v EKG záznamech. V jazyce Python byla implementována metoda detekce využívající konvoluční neuronové sítě a LSTM jednotek. Pro detekci byly využity srdeční cykly extrahované z jednoho svodu EKG. Při klasifikaci do dvou tříd (KES a normální rytmus) dosáhlo F1 skóre na testovací množině 96,41 %, u klasifikace do tří tříd (KES, normální rytmus a ostatní arytmie) 81,76 %. V závěru práce je úspěšnost klasifikace zhodnocena a diskutována, dosažené výsledky pro klasifikaci do dvou tříd jsou srovnatelné s výsledky metod z jiných studií.
|
|
|
Detekce pohybujících se objektů ve videu s využitím neuronových sítí pomocí Android aplikace
Mikulec, Vojtěch ; Kiac, Martin (oponent) ; Myška, Vojtěch (vedoucí práce)
Tato diplomová práce se zabývá zrealizováním funkčního řešení problematiky klasifikace účastníků dopravního provozu pomocí mobilních zařízení s operačním systémem Android. Cílem je vytvořit Android aplikaci, která klasifikuje vozidla v reálném čase za použití zadní kamery a ukládá časové značky klasifikace. Testování probíhá převážně na vlastní, různě modifikované datové množině. Je natrénováno celkem pět modelů a změřeno zatížení hardwaru při použití každého z nich. Nejlepší přesnosti klasifikace dosahuje předtrénovaný model sítě MobileNet, který je dotrénován o 6 tříd – 62,33 %. Výsledky jsou shrnuty a v závěru je formulováno, jakým způsobem je možné rychleji a přesněji analyzovat dopravní data.
|
host ::
RSS.