|
|
Využití autoenkodérů pro tvorbu hlubokých sítí
Lohniský, Michal ; Veselý, Karel (oponent) ; Hradiš, Michal (vedoucí práce)
Tato práce se zabývá předtrénováním hlubokých sítí autoenkodéry. V prvních kapitolách jsou popsány prvky neuronové sítě. Další kapitoly jsou věnovány trénování hlubokých sítí a výsledkům, ve kterých je porovnáváno předtrénování autoenkodéry a algoritmus Backpropagation. Z výsledků experimentů na dvou datasetech vyplývá, že předtrénování autoenkodéry má kladný přínos, zvláště v kombinaci s Finetuningem.
|
|
|
Všesměrová detekce objektů
Lohniský, Michal ; Beran, Vítězslav (oponent) ; Juránek, Roman (vedoucí práce)
Tato práce se zabývá modifikací extrakce příznaků a učícího procesu detektorů pro všesměrovou detekci objektů. Jde o přidání nových kanálů u detektorů založených na "Aggregate channel features". Nové kanály jsou tvořeny filtrováním obrazu jádry z autoenkodérů a následným použitím nelineární funkce sigmoidy. Experimenty ukazují, že nové kanály jsou úspěšné, avšak výpočetně náročnější než ostatní. Jsou zde proto diskutovány možnosti, jak výpočet urychlit. Dále je v této práci vyhodnocen uměle vytvořený dataset automobilů a je zde diskutován jeho malý přínos při jeho aplikaci na několik detektorů.
|
|
|
Využití autoenkodérů pro tvorbu hlubokých sítí
Lohniský, Michal ; Veselý, Karel (oponent) ; Hradiš, Michal (vedoucí práce)
Tato práce se zabývá předtrénováním hlubokých sítí autoenkodéry. V prvních kapitolách jsou popsány prvky neuronové sítě. Další kapitoly jsou věnovány trénování hlubokých sítí a výsledkům, ve kterých je porovnáváno předtrénování autoenkodéry a algoritmus Backpropagation. Z výsledků experimentů na dvou datasetech vyplývá, že předtrénování autoenkodéry má kladný přínos, zvláště v kombinaci s Finetuningem.
|
|
|
Všesměrová detekce objektů
Lohniský, Michal ; Beran, Vítězslav (oponent) ; Juránek, Roman (vedoucí práce)
Tato práce se zabývá modifikací extrakce příznaků a učícího procesu detektorů pro všesměrovou detekci objektů. Jde o přidání nových kanálů u detektorů založených na "Aggregate channel features". Nové kanály jsou tvořeny filtrováním obrazu jádry z autoenkodérů a následným použitím nelineární funkce sigmoidy. Experimenty ukazují, že nové kanály jsou úspěšné, avšak výpočetně náročnější než ostatní. Jsou zde proto diskutovány možnosti, jak výpočet urychlit. Dále je v této práci vyhodnocen uměle vytvořený dataset automobilů a je zde diskutován jeho malý přínos při jeho aplikaci na několik detektorů.
|
host ::
RSS.