|
|
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.
|
|
|
Kolaborace člověk-stroj – využití zpracování řeči
Kisler, Štěpán ; Hůlka, Tomáš (oponent) ; Juříček, Martin (vedoucí práce)
Tato bakalářská práce se zabývá návrhem a implementací systému hlasového ovládání pro kolaborativního robota UR3 CB série od společnosti Universal Robots, s cílem zjednodušit interakci mezi člověkem a robotem. V úvodu práce je představena kolaborativní robotika, její historie, příklady úspěšných aplikací a možnosti programování kolaborativních robotů. Dále se práce věnuje technologii rozpoznávání řeči, jejímu využití, historii a metodám. Praktická část zahrnuje porovnání existujících systémů pro rozpoznávání řeči a výběr nejvhodnějšího z nich pro hlasové ovládání kobota. Popisuje také návrh programu pro hlasové ovládání v jazyce Python a testování celého systému v simulaci i v reálných podmínkách v robotické laboratoři.
|
|
|
Klasifikace živosti tváří s detekcí dat mimo distribuci
Češka, Petr ; Vaško, Marek (oponent) ; Špaňhel, Jakub (vedoucí práce)
Cílem této diplomové práce je zvýšit přesnost modelů pro klasifikaci živosti tváří založených na obrazovém Transformeru při odhalování prezentačních útoků. Diplomová práce využívá detekci dat mimo distribuci k odfiltrování obrázků, které se příliš liší od tréninkové sady dat označovaných jako data v distribuci. Zkoumá se, jak úspěšně různé metody identifikují rozdílné distribuce dat a jak odfiltrování dat mimo distribuci na základě těchto metod ovlivňuje přesnost modelu. Pomocí relativní Mahalanobisovy vzdálenosti je možné dosáhnout hodnoty AUROC 97.6 % při rozlišování dat v distribuci a mimo ni. Odfiltrováním obrázků, které by neměly být klasifikovány, se zvýší přesnost všech testovaných modelů nad 99.9 %. To může poskytnout další vrstvu zabezpečení pro aplikace proti útokům využívajícím podvržení tváří.
|
|
|
Video Denoising Using Deep Learning
Naumenko, Maksim ; Hradiš, Michal (oponent) ; Španěl, Michal (vedoucí práce)
In the era of digital multimedia, video content quality significantly impacts user experiences and system performance, particularly in domains such as entertainment, and video and image processing. This thesis addresses the persistent challenge of video noise, which degrades video quality, through the use of advanced deep learning techniques. Initially, traditional video denoising approaches are reviewed to establish a foundational understanding of denoising concepts. Subsequently, two state-of-the-art models, FastDVDNet and ViDeNN, are studied to familiarize with neural network architectures. The main product of this work is the development of a robust video denoising pipeline that utilizes a UNet architecture inspired by these state-of-the-art models. Throughout the thesis, the proposed UNet Baseline, ResUNet, and ResUNet Temporal models are explained, implemented, and evaluated to demonstrate their effectiveness in video denoising.
|
|
|
Aproximace hlubokých neuronových sítí
Stodůlka, Martin ; Mrázek, Vojtěch (oponent) ; Vaverka, Filip (vedoucí práce)
Cílem mé práce je zjistit vliv a dopad aproximovaného počítání na přesnost hluboké neuronové sítě, konkrétně neuronové sítě pro klasifikaci obrazu. Pro implementaci neuronové sítě byla použita varianta frameworku Caffe zvaná Ristretto-caffe, která byla rozšířena o možnost použití aproximovaných operací v konvolučních vrstvách. pro používání aproximovaných komponent. Aproximované počítání bylo použito na násobení v dopředné propagaci při konvoluci. Jako aproximované komponenty byly zvoleny komponenty z knihovny Evoapproxlib.
|
|
|
Posilované učení pro hraní robotického fotbalu
Bočán, Hynek ; Škoda, Petr (oponent) ; Smrž, Pavel (vedoucí práce)
Tato práce se zabývá tvorbou umělé inteligence schopné ovládat robotického hráče fotbalu simulovaného v prostředí SimSpark. Vytvořená umělá inteligence rozšiřuje již hotového agenta, který poskytuje implementaci základních dovedností jako je orientace na hřišti, pohyb v osmi směrech a nebo driblování s balonem. Umělá inteligence se stará o výběr nejvhodnější akce v závislosti na situaci na hřišti. Pro její implementaci byla použita metoda posilovaného učení - Q-learning. Pro výběr nejlepší akce je situace na hřišti převedena do formy 2D obrazu s několika rovinami. Tento obraz je následně analyzován hlubokou konvoluční neuronovou sítí implementované pomocí C++ knihovny DeepCL.
|
|
| |
|
|
Hluboké neuronové sítě v rozpoznávání obrazu
Munzar, Milan ; Kolář, Martin (oponent) ; Hradiš, Michal (vedoucí práce)
Neuronové sítě jsou dnes jeden z nejúspěšnějších modelů pro strojové učení. Můžeme je nalézt v autonomínch robotických systémech, v rozpoznávání objektů i řeči, predikci a mnoha jiných odvětvích umělé inteligence. Tato práce seznámí čtenáře s tímto modelem a jeho rozšířením, které se používá pro rozpoznávání objektů. Posléze popisuje aplikaci těchto konvolučních neuronových sítí(CNNs) pro klasifikaci obrazků na datasetech Caltech101 a Cifar-10. Na příkladu této aplikace diskutuje a měří efektivnost různých technik používaných v CNNs. Výsledky ukazují, že tyto sítě jsou bez dalších rozšíření schopné dosáhnout 80\% přesnosti na datasetu Cifar-10 a 37\% přesnosti na datasetu Caltech101.
|
|
|
Segmentace obrazových dat využitím hlubokých neuronových sítí
Hrdý, Martin ; Myška, Vojtěch (oponent) ; Kiac, Martin (vedoucí práce)
Cílem této diplomové práce je seznámit se a nastudovat teorii současných segmentačních metod, které používají hluboké učení. Na základě teoretických znalostí bude navržena a vytvořena segmentační neuronová síť, která bude schopna segmentovat jednotlivé instance objektů. Segmentační neuronová síť bude zaměřena na detekci elektronických součástek na deskách plošných spojů.
|
|
|
Hluboké neuronové sítě pro detekci anomálií při kontrole kvality
Juřica, Tomáš ; Herout, Adam (oponent) ; Hradiš, Michal (vedoucí práce)
Cílem této práce je automatizovat detekci defektů při průmyslové výrobě plastových karet. Typickým defektem vzniklým při takovéto výrobě je kontaminace prachovými částicemi či vlasem. Hlavními výzvami, které v této práci řeším, je malý počet dostupných dat (214 karet), velmi malá plocha defektů v kontextu celé karty (průměrně 0,0068 \% plochy karty) a zároveň velice rozmanité a komplexní pozadí, ve kterém defekty hledám. Realizaci úkolu jsem dosáhl za použití detekčního algoritmu Mask R-CNN a rozšíření datové sady pomocí namodelování vzhledu typických defektů a vytvoření syntetického datasetu o počtu 20 000 obrázků, na kterém jsem detektor natrénoval. Takovýmto způsobem jsem dosáhl 0,83 AP při IoU rovno 0,1 na testovací části původní datové sady.
|
host ::
RSS.