|
|
Methods for Realtime Voice Deepfakes Creation
Alakaev, Kambulat ; Pleško, Filip (oponent) ; Malinka, Kamil (vedoucí práce)
This thesis explores the possibility of achieving real-time voice deepfake generation using open-source tools. Through experiments, it was discovered that the generation rate of voice deepfakes is affected by the computing power of the devices running the speech creation tools. A deep learning model was identified to be capable of generating speech in near real time. However, limitations in the tool containing this model prevented continuous input data for real-time generation. To address this, a program was developed to overcome these limitations. The quality of the generated deepfakes was evaluated using both voice deepfake detection models and human online surveys. The results revealed that while the model could deceive detection models, it was not successful in fooling humans. This research highlights the accessibility of open-source voice synthesis tools and the potential for their misuse by individuals for fraudulent purposes.
|
|
|
Systém pro rozpoznávání dezinformací v prostředí webu
Večerka, Lukáš ; Žádník, Martin (oponent) ; Strnadel, Josef (vedoucí práce)
Tato práce se zabyvá návrhem, realizací a ověřením systému pro automatické rozpoznávání dezinformací v prostředí webu. Představuje problematiku šíření dezinformací v online prostředí a jeho dopad na společnost. Zaměřuje se na trénování několika Českych transformers jazykovych modelů pro rozpoznání dezinformací a dále na automatickou extrakci obsahu článků z českych internetovych novin a jejich analyzu využitím klasifikace textu a zpracování přirozeného jazyka pomocí metod hlubokého učení. Vysledky těchto analyz jsou pak prezentovány na webovém uživatelském rozhraní s cílem poskytnout platformu pro ověření článků, autorů a zdrojů. Rozhraní by mohlo byt použito k anotaci dat experty pro průběžné vylepšování jazykovych modelů.
|
|
|
Strojové učení reprezentace pro genetické programování
Pomykal, Šimon ; Piňos, Michal (oponent) ; Sekanina, Lukáš (vedoucí práce)
Cílem této práce je seznámit se s metodami strojového učení, které se využívají pro automatický návrh reprezentace. Speciálně se poté práce zaměřuje na hluboké učení v oblasti genetického programování (GP). Jako případová studie je zvoleno zpracování obrazu, a to zejména metody odstranění šumu. Spojením získaných poznatků je navržena nová reprezentace, jejímž účelem je nahradit syntaktický strom v algoritmu GP. Tato metoda je získána pomocí neuronové sítě typu transformer. Na závěr je vytvořena upravená varianta GP, která pracuje s novou reprezentací. Tato varianta je v několika experimentech porovnána s GP, který používá původní reprezentaci.
|
|
|
Doplnění chybějící části obrazu pomocí hlubokého učení
Zobaník, Radek ; Kubík, Tibor (oponent) ; Šilling, Petr (vedoucí práce)
V této práci vznikla aplikace pro testování a porovnávání metod pro doplnění chybějící části obrazu za využití hlubokého učení a byly natrénovány dvě metody, pconv s konvoluční architekturou, respektive AOT-GAN s GAN architekturou. Práce popisuje návrh výsledné aplikace, její funkcionalitu a důležité body implementace. Byla zvolena datová sada, na které byly vybrané modely optimálně natrénovány. Proběhly experimenty na AOT-GAN modelu, kdy se zkoumal vliv počtu AOT bloků v generátoru na výsledný doplněný obraz. Všechny experimenty byly kvalitativně a kvantitativně porovnány. Výsledky ukázaly úctyhodné výsledky při práci s přírodní scenérií.
|
|
|
Lokalizace fibrilace síní pro vyhodnocení zatížení pacienta
Martinásková, Klára ; Ředina, Richard (oponent) ; Filipenská, Marina (vedoucí práce)
Diplomová práce se zabývá problematikou detekce fibrilace síní ze záznamů EKG a lokalizace daných úseků fibrilace u signálů s paroxysmální fibrilací. Je vypracována rešerše týkající se fibrilace síní, vzniku této atologie a metod detekce fibrilace z EKG záznamů pomocí hlubokého učení. V jazyce Python je následně implementován model konvoluční neuronové sítě s reziduálními bloky pro klasifikaci krátkých (3 s) segmentů EKG signálu. Následně jsou výsledky klasifikace zpracovány a v signálech s paroxysmální fibrilací jsou lokalizovány úseky s fibrilací. Díky klasifikaci a lokalizaci je dále vyhodnoceno zatížení pacienta fibrilací. Implementovaný klasifikátor na testovací množině dosahuje výsledků F1 skóre 96,15 %. Při lokalizaci úseků s fibrilací algoritmem je dosaženo hodnoty MAE 0,95 s pro detekci začátků a 1,29 s pro detekci konců vůči referenčním polohám. Odhadované zatížení pacienta je porovnáno se skutečnou zátěží a dosahuje MAE 3 %.
|
|
|
Ověření pravosti podpisu s využitím algoritmů založených na neuronových sítích
Čírtek, Petr ; Kiac, Martin (oponent) ; Myška, Vojtěch (vedoucí práce)
Podpis je jednou z nejpoužívanějších biometrik v bankovnictví a při uzavírání smluv, proto je zpětné ověření pravosti podpisu důležité. Toto ověření se dá provést za pomoci forenzního specialisty, nebo, díky nástupu pokročilých technologií, za pomoci výpočetní techniky. Účelem této práce je vytvořit metody ověření pravosti podpisu využitím neuronových sítí pro český typ podpisu a zjistit, zdali přidání manuálně získaných příznaků ke konvoluční analýze vylepší tyto metody. Neuronové sítě se snaží replikovat fungování lidského mozku, sestávají ze vstupních neuronů, několika skrytých vrstev a výstupních neuronů. Neuronové sítě jsou jedny z nejoblíbenějších technologií umělé inteligence pro analýzu a klasifikaci obrázků. Navržené metody v této práci fungují na principech konvolučních sítí. První metoda se skládá ze tří konvolučních vrstev, které z obrázku podpisu získávají důležité vlastnosti, které předají plně propojené vrstvě s klasifikátorem. Ten určí, zdali jde o podpis pravý, či falešný. Zároveň byly pro tuto metodu vytvořeny dvě funkce, které dokáží interpretovat její rozhodování. Druhá metoda, siamské konvoluční neuronové sítě, na rozdíl od první nepracuje s podpisy samostatně, ale využívá pro určení pravosti referenční obrázek podpisu. Základem této metody je vytažení příznaků pomocí konvoluční analýzy jak z referenčního podpisu, tak z podpisu, který je určen na ověření. Tyto příznaky se následně spojí a předají klasifikátoru. Pro natrénování modelů, které by ověřovaly český typ podpisů, byla vytvořena česká datová množina. Z experimentů bylo zjištěno, že přidání příznaků má potenciál vylepšit přesnost predikcí metod založených na konvoluční analýze obrazu. Byly natrénovány 3 modely, které s přesností vyšší než 80 \% dokáží ověřovat český typ podpisů, a to: model metody konvoluční neuronové sítě s příznakem diskrétní vlnkové transformace, který byl trénovaný na české datové množině, model stejné metody trénovaný na množině CEDAR s příznakem počtu tahů a model metody siamské konvoluční neuronové sítě trénovaný na české množině podpisů s příznakem tri-surface.
|
|
|
Evoluční návrh nelineárních funkcí pro konvoluční neuronové sítě
Hladiš, Martin ; Mrázek, Vojtěch (oponent) ; Sekanina, Lukáš (vedoucí práce)
Cílem této diplomové práce je návrh a implementace programu pro automatizovaný návrh nelineárních aktivačních funkcí pro konvoluční neuronové sítě (CNN) s využitím evolučních algoritmů. Využití automatického návrhu poskytuje nezávislý pohled na systematické prozkoumání širokého spektra aktivačních funkcí a identifikaci těch nejlepších. Metoda zvolená v práci pro automatický návrh je formou evolučních algoritmů nazývanou jako kartézské genetické programování, které pro zakódování řešení využívá grafovou reprezentaci. Tato technika umožňuje definici sady matematických primitiv, která definuje prohledávací prostor, a tak jednoduše parametrizuje návrh. Implementovaný přístup byl otestován na několika různých architekturách a datasetech (LeNet-5 \& MNIST, ResNet-10 \& FashionMNIST, WRN-40-4 \& CIFAR-10). Experimenty dokázaly, že přístup dokáže nalézt aktivační funkce, které statisticky zlepšují přesnost CNN oproti běžně využívané funkci ReLU.
|
|
|
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.
|
host ::
RSS.