|
| |
|
|
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.
|
|
|
Reconstruction of Missing Parts of the Face Using Neural Network
Marek, Jan ; Drahanský, Martin (oponent) ; Goldmann, Tomáš (vedoucí práce)
The goal of this thesis is to design a neural network for reconstruction of face images in which a part of the face is obscured by a mask. Concepts used in the development of convolutional neural networks and generative adversarial networks are presented. Specific concepts used in neural networks used for face reconstruction are described. The generative adversarial network presented in this thesis combines the use of gated convolutional layers and dense multiscale fusion blocks to produce realistic reconstructions of masked face images.
|
|
|
Separace mluvčích v časové doméně pomocí neuronové sítě
Peška, Jiří ; Černocký, Jan (oponent) ; Žmolíková, Kateřina (vedoucí práce)
Práce se zabývá využitím konvolučních neuronových sítí pro automatickou separaci mluvčích v akustickém prostředí. Cílem je implementovat neuronovou síť podle architektury TasNet za použití frameworku PyTorch, natrénovat síť s různými hodnotami hyperparametrů a porovnat kvalitu separací vzhledem k velikosti síťě. Architektura oproti dosavadním metodám, které převáděly vstupní směs do časově-frekvenční reprezentace, používá konvoluční autoenkodér, který vstupní směs převádí do nezáporné reprezentace, která je optimalizovaná pro extrakci jednotlivých mluvčích. Samotné separace je docíleno aplikací masek, které jsou odhadnuty v separačním modulu. Modul tvoří opakující se posloupnost konvolučních bloků se zvyšující se dilatací, která napomáhá k modelování časových závislostí ve zpracovávané směsi. K vyhodnocení přesnosti byly použity metriky signal to distortion ratio (SDR), dále perceptual evaluation of speech quality (PESQ) a short-time objective intelligibility (STOI). Trénování a vyhodnocování proběhlo za použití Wall Street Journal datasetu (WSJ0). Natrénováním několika modelů s různými hodnotami hyperparametrů bylo možno pozorovat závislost mezi velikostí sítě a hodnotou SDR. Zatímco menší síť dosahovala, po 60 epochách trénování, přesnosti 10.8 dB, větší síť dosahovala až 12.71 dB.
|
|
|
Vliv barevných modelů na chování konvolučních neuronových sítí
Šimunský, Martin ; Doležel, Petr (oponent) ; Škrabánek, Pavel (vedoucí práce)
Diplomová práce zkoumá aktuální poznatky týkající se vlivu barevných modelů na chování konvoluční neuronové sítě. Na základě poznatků je proveden experiment na toto téma se šesti barevnými modely RGB, HSV, CIE 1931 XYZ, CIE 1976 L*a*b*, YIQ a YCbCr a hlubokou konvoluční neuronovou sítí ResNet-101. Barevný model RGB dosáhl v tomto experimentu nejvyšší přesnosti klasifikace, model HSV nejnižší.
|
host ::
RSS.