|
|
Moderní vibrodiagnostika strojů a hodnocení datových souborů neuronovými sítěmi
Koníček, Tomáš ; Holoubek, Tomáš (oponent) ; Hammer, Miloš (vedoucí práce)
Tato diplomová práce se zaměřuje na technickou diagnostiku s důrazem na vibrodiagnostiku strojů a zařízení. Cílem je provést rešerši sledování vibrací pomocí moderních on-line systémů a zkoumat možnosti zpracování získaných datových souborů s využitím neuronových sítí. Analyzuje se vibrační monitoring od firmy Siemens SIPLUS CMS, včetně popisu jednotlivých hardwarových a softwarových komponent. Práce se dále zaměřuje na diagnostiku strojů s využitím reálného modelu vybaveného systémem SIPLUS CMS ve spolupráci s programovatelným automatem SIMATIC S7-1200. Získaná data budou přenášena přes protokol FTP k dalšímu zpracování v programu Matlab. Budou navrženy a použity modely neuronových sítích, které budou natrénovány na naměřených datech. Bude použit model konvolučních neuronových sítí. Výsledky budou vyhodnoceny a bude vznesen závěr.
|
|
|
Deepfake Detection in Video Samples
Krumpholc, Jan ; Veigend, Petr (oponent) ; Lapšanský, Tomáš (vedoucí práce)
In last years, we could see increase of internet frauds and forgeries. Starting with easier detectable cases like phishing and fake ads, through social engeneering and disinformation campaigns, and ending with attacks using artificial inteligence: Synthetics media, and especially deepfakes. These attacks are very effective because it's difficult to validate authenticity of deepfake media for basic user, and they are in rise in last few years with availability and effectivity of creation tools for public. This thesis is focused on video deepfakes: What methods are used for their creation, what are their weak points, and mainly, how to find these weaknesses and decide, whenever media is deepfake or not. We will analyze state-of-the-art methods of detecting deepfakes, what are their strengths and weaknesses, and develop possible new methods of detection. In the end we will compare results with modern solutions and evaluate result.
|
|
|
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.
|
|
|
Simulation of Biological Processes Using Asynchronous Cellular Automata and Machine Learning
Kališ, Vojtěch ; Bidlo, Michal (oponent) ; Fritz, Karel (vedoucí práce)
This thesis explores the fusion of asynchronous cellular automata and machine learning techniques for simulating complex biological processes. Its main focus is on showcasing the inherent potential of a computational framework constructed through combining the parallelism of an asynchronous cellular automata updating model with the predictive capabilities of machine learning algorithms. This study aims to demonstrate the qualities of such hybrid approach by implementing three mathematical cellular automata models of increasing complexity—that is, listed based on their level of complexity, Conway’s Game of Life, SmoothLife and Lenia—in their basic form and then integrate machine learning into the function of the latter two, comparing the results of both approaches afterwards.
|
|
|
Machine learning in audio effects
Sychra, Jakub ; Mošner, Ladislav (oponent) ; Černocký, Jan (vedoucí práce)
Reverse engineering audio effects from mixed tracks is a complex topic requiring signal processing and music engineering experience. This work aims at creation of a system capable of identifying the sequence and parameters of guitar effects from a mixed audio track. Training data was created using clean guitar sounds from IDMT-SMT-Audio-Effects, augmented by known effects (BitCrush, Chorus, Clipping, Compressor, Delay, Distortion, High-pass filter, Ladder filter, Low-pass filter, Limiter, Phaser and Reverb), all implemented with a Python wrapper around standard VST effects. The system is based on VGGish neural network architecture with several classification (presence of effects) and regression (parameters of effects) heads. The performance of the algorithm is evaluated on classification and regression accuracy, as well as in informal listening tests.
|
|
|
Reversibility of Voice Change Methods
Lička, Zbyněk ; Firc, Anton (oponent) ; Malinka, Kamil (vedoucí práce)
State-of-the-art voice-changing methods allow inexperienced users to create convincing voice recordings of famous individuals with just a few seconds of recorded speech. There are two major approaches to voice generation: voice conversion and text-to-speech. Voice conversion methods require the user to input source speech to be converted to the target voice. A trend with voice conversion methods, especially those requiring only mere seconds of reference speech, has been restricting the amount of information about the original speaker in the converted speech. This work focuses on studying the amount of information extractable about the original speaker from artificial speech and potentially reconstructing the original speech. The results of this work shed light on an unstudied property of voice-changing methods.
|
|
|
Automatická tvorba animovaného videa na základě textového příběhu
Kuchař, Josef ; Švec, Tomáš (oponent) ; Smrž, Pavel (vedoucí práce)
Cílem této práce je propojit difúzní model pro generování lidského pohybu s difúzním modelem generující video. V řešení jsou použité aktuální metody pro generování videa a pohybu. Generování videa probíhá pomocí generátoru obrázků opatřeného adaptérem pro temporální konzistenci. Práce představuje metodu propojení obou difúzních modelů pomocí sítě ControlNet. Vytvořené řešení umožňuje generovat video z jednoduchého textového popisu, případně detailního scénáře. Program byl otestován v uživatelské studii.
|
|
|
Optimalizace řízení podmínek v inteligentním skleníku
Vilimovský, Dan ; Beran, Vítězslav (oponent) ; Bažout, David (vedoucí práce)
Práce se zaměřuje na hledání možností optimalizací provozu chytrého skleníku snížením provozních nákladů a jednodušší udržitelnosti ideálního prostředí pro vývoj rostlin ve skleníku. Cílem je modelovat podmínky ve skleníku za pomoci vytvořeného modelu neuronové sítě schopného předvídat hodnoty parametrů prostředí, jako je teplota a vlhkost vzduchu. Tento model je trénován na reálných datech získaných z dlouhodobého měření v testovacím objektu. Dále se práce zabývá možností využití tohoto modelu neuronové sítě pro optimalizaci řízení chodu skleníku tak, aby mohly být v budoucnu zajištěny ideální vývojové podmínky pro pěstované rostliny nebo zredukována spotřeba elektrické energie využita na provoz spotřebičů.
|
|
|
Metody návrhu celulárních automatů
Hranický, Jan ; Strnadel, Josef (oponent) ; Bidlo, Michal (vedoucí práce)
Tato práce řeší problém návrhu celulárních automatů. Je navržena a implementována nová metoda Diskrétního neurálního celulárního automatu, zkráceně DNCA. Práce se tak zaobírá problémem optimalizace přechodové funkce automatu, a to pomocí algoritmu Adam a také méně tradičního přístupu diferenciální evolucí. Navržený model je úspešně natrénován na více než desíti scénářích chování, které se liší v obtížnosti.
|
|
|
Metody inicializace vah neuronových sítí a jejich vliv na učení sítí
Prukner, Jakub ; Nemčeková, Petra (oponent) ; Chmelík, Jiří (vedoucí práce)
Práce se zabývá použitím různých metod inicializace vah umělých neuronových sítí a sledováním jejich vlivu na učení sítě. Jako úloha pro síť je zvolena klasifikace obrázků ze dvou databází MNIST a CIFAR-10. Teoretická část popisuje oblast umělých neuronových sítí a také různé metody nicializace vah. Praktická část obsahuje popis a implementaci experimentů, popis architektur a jejich hyperparametrů. Jednotlivé experimenty sledují vliv vybraných metod a jejich případných konfigurací na učení různých architektur umělých neuronových sítí. Výsledky jsou pro jednotlivé databáze a typy architektur porovnány a jsou vybrány metody, se kterými síť dosáhla nejlepšího naučení. Dále jsou vybrány metody, se kterými bylo dosaženo optimálního naučení sítě nejrychleji. Dosažené výsledky jsou diskutovány.
|
host ::
RSS.