|
|
Převod křivky z rastru na vektorovou representaci
Král, Jiří ; Sumec, Stanislav (oponent) ; Beran, Vítězslav (vedoucí práce)
V mém procesu vektorizace se snažím o převod vstupního šedotónového obrazu na vektorový se snahou o co největší podobnost se vstupním obrazem. Vektorizace se provádí pomocí aproximace křivkou, jenže aproximovat lze pouze liniové prvky, tedy křivky v rastru. Musí se proto ze vstupního obrazu tyto liniové prvky vyextrahovat a to dvojím způsobem, podle dvou skupin objektů v obraze. První skupinou jsou objekty tenké, podlouhlého tvaru, ty se nahradí jejich skeletonem. Druhou skupinou jsou objekty rozsáhlé, ty se nahradí jejich konturou. Nalezené linie se pak rozdělí na takové části, které už půjde snadno aproximovat křivkou. Výsledné křivky se už jen vykreslí do výstupu vhodnou rasterizační metodou.
|
|
|
Bezdrátová senzorová síť z komponent Arduino
Výborný, Filip ; Král, Jiří (oponent) ; Samek, Jan (vedoucí práce)
Cílem této bakalářské práce je představení možnosti využití hardwarové platformy a vývojového prostředí Arduino při vytváření bezdrátových senzorových sítí WSN (Wireless Sensor Networks), se zaměřením zejména na problematiku směrování naměřených dat ze senzorových uzlů do základního uzlu. V práci byla navržena a realizována bezdrátová senzorová síť z vhodných komponent platformy Arduino, založená na bezdrátových komunikačních modulech XBee, které budou představeny ve druhé části. Třetí část pojednává o výběru vhodného komunikačního protokolu a topologie, kde budete seznámeni s dosud poměrně neznámým komunikačním protokolem DigiMesh. Ve čtvrté části se zabývám samotnou realizací bezdrátové sítě, která je v závěru práce otestována.
|
|
|
Simulace davu metodou BOIDS
Burda, Radek ; Král, Jiří (oponent) ; Zbořil, František (vedoucí práce)
Práce popisuje metodu simulace shlukování C.Reynoldse -- BOIDS -- a použije ji jako základní model pro simulaci davu. Popisuje metody vyhýbání se překážkám a jak rozsuzovat síly (pravidla shlukování, vyhýbání se překážkám a plnění cílů) v modelu BOIDS tak, aby vzájemně nekolidovaly. Mimo popis metody BOIDS zde najdete taky několik dalších přístupů, které se svými modely pokouší simulovat dav, jejich výhody a nevýhody. V závěrečné části práce je zmíněno vytvoření grafického prostředí pro simulaci pohybu boidů v nástroji Blender pro vytvoření výsledné 3D aplikace.
|
|
| |
|
|
Simulace spolupráce agentů v prostředí Jason
Kříž, Jakub ; Zbořil, František (oponent) ; Král, Jiří (vedoucí práce)
Práce se zabývá tvorbou simulátoru multiagentního systému, ve kterém agenti spolupracují. Čtenář se nejprve seznámí se základy agentních systémů, jejich tvorbou a modelováním. V práci je popsán návrh prostředí, v němž se budou agenti pohybovat, a úlohy, jakou budou řešit. Dále je navrženo a implementováno chování tří režimů inteligence racionálních BDI agentů, s různou úrovní spolupráce - bez spolupráce, mírná spolupráce a komplexní spolupráce. Celý systém je realizován ve frameworku Jason a rozsáhle otestován. Na základě simulačních experimentů je vyhodnoceno chování a porovnána účinnost jednotlivých režimů inteligence. Dosažené výsledky dokazují převahu týmu, ve kterém agenti více spolupracují.
|
|
| |
|
|
Strojové učení v klasifikaci obrazu
Král, Jiří ; Španěl, Michal (oponent) ; Hradiš, Michal (vedoucí práce)
Práce se zabývá hledáním a analýzou statistických modelů a algoritmických postupů, které mají potenciál zlepšit výsledky FIT VUT v Brně na soutěžích zabývajících se klasifi kací obrazu jako jsou ImageNet Large Scale Visual Recognition Challenge a TRECVID. V práci byl otestován multinomiální model, také byl použit model Phonotactic Intersession Variation Compensation (PIVCO) pro adaptaci náhodných vlivů v obrazové reprezentaci a dále pak pro redukci dimenzionality. Dále byl analyzován model KPCA, kterým se emulovala Kernel SVM klasi kace. Všechny statistické modely byly testovány na Pascal VOC 2007 datasetu.
|
|
|
Rozpoznávání výrazu tváře
Král, Jiří ; Kršek, Přemysl (oponent) ; Španěl, Michal (vedoucí práce)
Tato práce představuje jeden z mnoha pohledů na rozpoznávání výrazu lidské tváře. Zaměřuje se na metodu reprezentace obličeje modelem. Metodu AAM vytvářející model vzhledu z modelu tvaru a z modelu textury na základě statistické analýzy. Ukazuje přednosti této reprezentace ve statickém snímku, především pak komplexnost informace, kterou o hledaném obličeji obsahuje. Popisuje princip na AAM založeném rozpoznávání výrazu tváře jako je výběr a kombinace vhodných příznaků z modelu pro následnou klasifikaci výrazu tváře. Porovnává dva přístupy klasifikace výrazu tváře, klasifikaci založenou na LDA a klasifikaci založenou na SVM. Zmíněné metody společně s nezbytnou lokalizací obličeje pomocí metody AdaBoost představují postup automatizovaného rozpoznávače výrazu lidské tváře.
|
|
|
Metody analýzy a simulací sociálních sítí
Vorlová, Pavla ; Král, Jiří (oponent) ; Samek, Jan (vedoucí práce)
Tato diplomová práce se zabývá popisem, jakými způsoby je možné analyzovat sociální sítě, návrhem a implementací modelu, který simuluje konkrétní sociální síť, a jeho analýzou. V dnešní době jsou sociální sítě velmi vyhledávané a používané, proto jsou i častým cílem zkoumání. Práce se věnuje statické analýze sociálních sítí, kde vidíme sociální síť jako graf a zjišťujeme různé vlastnosti jednotlivých objektů v síti a podle toho určujeme, jak jsou tyto objekty pro síť významné. Zajímají nás i vztahy mezi entitami, protože mají vliv na šíření informací v síti. Strukturní vlastnosti sítě pak určují existenci různých komunit. V rámci dynamické analýzy modelujeme sociální síť pomocí multiagentních systémů, které jsou velmi vhodné pro znázornění změn v síti. Multiagentním systémem byl také implementován simulační model, který představuje konkrétní sociální síť. Jeho chování bylo analyzováno a zkoumáno pomocí vybraných metod.
|
|
|
Koevoluce kartézských genetických algoritmů a neuronových sítí
Kolář, Adam ; Král, Jiří (oponent) ; Zbořil, František (vedoucí práce)
Cílem práce bylo ověřit možnost spojení metod kartézského genetického programování a neuronových sítí. Výsledek práce reprezentuje sada experimentů s úlohami vyvažování tyče, průchodu agenta bludištěm a detekce buňek rakoviny prsu, provedených za pomocí implementované knihovny. Použil jsem jak nepřímé, tak přímé zakódování dopředné i rekurentní sítě. Zaměřil jsem se na nalezení nejlepší konfigurace výpočtu, detekci přeučování jedinců během evoluce, míru robustnosti řešení a možnosti stimulace řešení pomocí fitness funkce. Zjistil jsem, že obecně nejlépe konvergují řešení s nižšími hodnotami parametru n_c a n_r a jsou také méně náchylné k přeučování. Úpravami fitness funkce jsem evolvoval kontrolér, který redukoval rozkmit vyvažované tyče. Klasifikátor buňek rakoviny rozpoznával korektně více než 98% vzorků, čímž překonal většinu srovnávaných metod. Podařilo se také navrhnout model bludiště, ve kterém agent úspěšně plnil vícekrokové úlohy.
|
host ::
RSS.