|
|
Evoluční návrh neuronových sítí
Kastner, Jan ; Hurta, Martin (oponent) ; Sekanina, Lukáš (vedoucí práce)
Tato práce je věnována implementaci metody pro řešení problémů v oblasti automatizovaného návrhu architektury konvolučních neuronových sítí (CNN). Optimalizace dvou základních a často protichůdných charakteristik, počtu parametrů a kvality klasifikace CNN, je prováděna pomocí vícekriteriálního optimalizačního genetického algoritmu (NSGA-II). Pro zakódování tohoto problému je využita technika kartézského genetického programování (CGP), která umožňuje reprezentaci široké škály architektur CNN a současně lze parametrizací vhodně omezit prohledávaný prostor. Experimenty byly prováděny na datasetu MNIST za účelem pochopení vlivu velikosti populace na kvalitu výsledného řešení. Z výsledků experimentů je také patrné, že kvalita nalezených architektur dokáže konkurovat již etablovaným modelům. Jedná se tedy o alternativní přístup, který v porovnání s manuálním návrhem nevyžaduje lidskou intervenci.
|
|
|
Movement Planning of a Hexapod Robot
Hostačná, Kristína ; Šátek, Václav (oponent) ; Rozman, Jaroslav (vedoucí práce)
This thesis presents neural network solution for achieving autonomous navigation to seen target in hexapod robots. This solition was implemented on two designs - a simple design with two joints per leg and a more complex design with three joints per leg. Major challenge of hexapod locomotion - the complexity of controlling more joints was therefore increased to enable a wider range of motions and therefore uses for the robot. Research methodology involves both a simulation and a real-world experimentation, for modeling and data collection. Data from various sensors, including cameras and servo positions, are utilized to train neural network models capable of interpreting sensory inputs and generating control signals for the robot's actuators. A basic neural network architecture is initially deployed for both configurations, while a more sophisticated approach incorporating convolutional and recurrent neural networks is employed later. Ultimately, the trained neural networks demonstrate capability of navigation to target.
|
|
|
Using unlabeled data for retinal segmentation
Shemshur, Andrii ; Jakubíček, Roman (oponent) ; Vičar, Tomáš (vedoucí práce)
This bachelor's thesis is concerned with the development and evaluation of advanced methods for medical image segmentation in the context of limited training data. The study examines supervised learning techniques employing Convolutional Neural Networks (CNNs), transfer learning with pre-trained models, and semi-supervised learning strategies. A supervised convolutional neural network (CNN) model based on the U-Net architecture was employed as the baseline, achieving a Dice coefficient of 77.6\% and an intersection over union (IoU) of 63.4%. The application of transfer learning using a ResNet34 encoder pre-trained on ImageNet led to a notable improvement in performance, with a Dice coefficient of 81.9%, an IoU of 69.3%, and an accuracy of 96.7%. Furthermore, semi-supervised learning strategies, including pseudo-labeling and denoising pretraining, were employed to enhance the model's performance. The pseudo-labeling approach yielded a Dice coefficient of 81.7% and an IoU of 69.1%, thereby demonstrating the efficacy of leveraging unlabeled data. The denoising pretraining approach demonstrated robust performance, achieving a Dice coefficient of 80.3% and an IoU of 67.0%, even in the presence of noisy and unlabeled data. These outcomes underscore the potential of transfer learning and semi-supervised methods to enhance segmentation accuracy in medical image analysis. They provide a robust foundation for future research in this field.
|
|
|
Sledování postavy
Berka, Jiří Michael ; Řičánek, Dominik (oponent) ; Richter, Miloslav (vedoucí práce)
Bakalářská práce se zabývá vývojem softwaru pro sledování cvičící postavy a vyhodnocení odchylek od správného provedení pohybových úkonů. V práci jsou nejprve teoreticky rozebrány základy zpracování digitálního obrazu, použití různých typů kamer a technologie počítačového vidění. Následně jsou popsány metody umělé inteligence a hlubokého učení, které umožňují detekci a analýzu pohybů. Hlavní část práce se zaměřuje na implementaci systému OpenPose pro odhad pózy v reálném čase. Jsou diskutovány technické výzvy a navržena řešení pro dosažení přesnosti a spolehlivosti systému. Praktická část zahrnuje testování softwaru na reálných videích a vyhodnocení jeho výkonu. Výsledky ukazují, že vyvinutý software může efektivně pomoci při korekci pohybů a prevenci zranění v různých aplikacích.
|
|
|
Creating a Python-based Automated System for Recognizing Emotions from Facial Expressions.
Zima, Samuel ; Malik, Aamir Saeed (oponent) ; Hussain, Yasir (vedoucí práce)
This thesis examines facial expression recognition (FER) using deep learning by focusing on its application in devices with limited memory and computational resources. It begins by researching emotions and facial expressions from psychological, biological, and sociological perspectives. The core of this thesis involves the design and implementation of an automated FER system using the FER-2013 dataset. This system uses a customized SqueezeNet architecture enhanced with a simple bypass, dropout layers and batch normalization layers. This system achieves an accuracy of 66.37 % on the FER-2013 dataset. For comparative analysis, this model was compared with a customized VGG16 architecture which achieved an accuracy of 65.09 %. This thesis provides valuable insights into the development of smaller, more efficient machine learning models for FER which are usable in a wide range of devices, including low-performance CPUs and embedded devices.
|
|
|
Automatizace videoextenzometrů s využitím metod umělé inteligence
Leinweber, Vít ; Adamec, Tomáš (oponent) ; Ščerba, Bořek (vedoucí práce)
Tato diplomová práce se zabývá automatizací použití videoextenzometrů s využitím metod umělé inteligence, a to konkrétně implementací vhodného algoritmu pro rozpoznání typu měřeného vzorku a umístění vhodného softwarového nástroje do správné polohy na vzorek v reálném čase. V teoretické části práce je popsána digitální korelace obrazu, počítačové vidění se zaměřením na rozpoznávání objektů v obraze a strojové učení se zaměřením na hluboké konvoluční neuronové sítě a jejich architektury pro detekci objektů v obraze. Na základě poznatků z teoretické části práce je zvolen algoritmus YOLOv8 jako nejvhodnější pro klasifikaci typu vzorku a určení jeho polohy v reálném čase. V praktické části práce je pomocí databáze výrobce videoextenzometrů vytvořen dataset obsahující tři typy těles určených k detekci. Tento dataset je dále rozšířen o vlastní snímky vzorků a augmentován. Zvolený algoritmus je pomocí vytvořeného datasetu trénován, optimalizován a testován. V rámci optimalizace je použit genetický algoritmus a náhodné prohledávání prostoru hyperparametrů. Nejlepší natrénované modely algoritmu YOLOv8 jsou navzájem porovnány na dvou testovacích množinách, a je vybrán nejlepší z nich. Dále je popsána práce s tímto modelem jako detektorem integrovaným do příslušného softwaru pro práci s videoextenzometry. Na závěr je navržen postup na korekci vlivu nezarovnaných vzorků na snímcích vstupujících do detektoru.
|
|
|
Generování obrázků sítnice s omezeným množstvím trénovacích dat
Senichak, Yahor ; Semerád, Lukáš (oponent) ; Kavetskyi, Andrii (vedoucí práce)
Účelem této studie je prozkoumat pokrok a aplikaci počítačového vidění a generativních adversariálních sítí (GAN 3.1) v diagnostice a studiu onemocnění očního pozadí. Zvláštní pozornost je věnována nejnovějším pokrokům v oblasti syntézy medicínských dat a vývoji vlastního algoritmu. Byla provedena implementace nejnovějších pokroků v oblasti architektury hlubokého učení U-GAT-IT [22], která zahrnuje dva páry hlubokých neuronových sítí (dva generátory a dva diskriminátory). Tato implementace prošla tréninkem po dobu přibližně 300 000 iterací, během kterých byly dosaženy pozitivní výsledky. Byla zaznamenána dynamika procesu tréninku a provedeny testy, které prokázaly schopnost generovat kvalitní syntetické snímky očního pozadí nezávisle na vstupních datech.
|
|
|
Deep learning-based noise reduction in X-ray images
Říhová, Barbora ; Jakubíček, Roman (oponent) ; Zemek, Marek (vedoucí práce)
X-ray imaging technology is the foundation for exploring the internal structure of a wide range of objects, however the results can be compromised by noise. This thesis is focused on the removal of noise in X-ray projections using deep learning, that has the capability to adapt to a specific task. The thesis contains a theoretical investigation focusing on the areas of X-ray production and detection, noise in X-ray images, and neural networks. A special chapter is devoted to the description of the chosen solution, which is performed by creating a dataset partially consisting of modeled X-ray projections with the subsequent incorporation of noise corresponding to noise model in real images and partly from X-ray projection series. The RIDNet convolutional neural network architecture was selected for implementation, since it shows good result for denoising task. Three models were trained using different parts of the dataset. The best performance was observed for models, that used real data for training. Their performance is comparable to traditional methods such as BM3D.
|
|
|
Porovnání metod pro doplnění chybějící části obrazu založených na hlubokém učení
Rajsigl, Tomáš ; Herout, Adam (oponent) ; Španěl, Michal (vedoucí práce)
Cílem této bakalářské práce je porovnat metody hlubokého učení pro doplnění chybějící části obrazu pomocí kvantitativních metrik jako jsou PSNR, SSIM a LPIPS. Pro dodatečné subjektivní ohodnocení byla taktéž provedena uživatelská studie. K porovnání byly použity celkem čtyři neuronové sítě založené na architektuře GAN. Navrhovaná architektura neuronové sítě a její modifikované verze byly porovnávány oproti síti AOT-GAN. Experimenty ukázaly, že v obrazech s malou chybějící částí dosáhla varianta navržené metody 29% zlepšení oproti již zmiňované metodě AOT-GAN. Toto tvrzení podporují i výsledky uživatelské studie, kde byla tato metoda vyhodnocena jako nejlepší. V rámci této práce vznikla malá datová sada určená pro vyhodnocení metod retušování obrazu při úloze odstraňování objektů. Reálné využití těchto metod je demonstrováno prostřednictvím webové aplikace.
|
|
|
Automated compression of neural network weights
Lorinc, Marián ; Sekanina, Lukáš (oponent) ; Mrázek, Vojtěch (vedoucí práce)
Convolutional Neural Networks (CNNs) have revolutionised computer vision field since their introduction. By replacing weights with convolution filters containing trainable weights, CNNs significantly reduced memory usage. However, this reduction came at the cost of increased computational resource requirements, as convolution operations are more computation intensive. Despite this, memory usage remains more energy-intensive than computation. This thesis explores whether it is possible to avoid loading weights from memory and instead functionally calculate them, thereby saving energy. To test this hypothesis, a novel weight compression algorithm was developed using Cartesian Genetic Programming. This algorithm searches for the most optimal weight compression function, aiming to enhance energy efficiency without compromising the functionality of the neural network. Experiments conducted on the LeNet-5 and MobileNetV2 architectures demonstrated that the algorithm could effectively reduce energy consumption while maintaining high model accuracy. The results showed that certain layers could benefit from weight computation, validating the potential for energy-efficient neural network implementations.
|
host ::
RSS.