|
|
Klasifikace onemocnění COVID-19 na základě analýzy rentgenových snímků plic
Šteflík, Dominik ; Kiac, Martin (oponent) ; Myška, Vojtěch (vedoucí práce)
Táto diplomová práca sa zaoberá vývojom a hodnotením algoritmov umelej inteligencie na klasifikáciu ochorenia COVID-19 z röntgenových snímok hrudníka. Vzhľadom na závažnosť a vplyv pandémie COVID-19 na svetovú populáciu sa schopnosť rýchlej a presnej diagnostiky ochorení z röntgenových snímok stala kritickou. Táto štúdia zhŕňa súčasné pokroky v oblasti spracovania obrazu a hĺbkového učenia s cieľom vyhodnotiť použitie viacerých moderných klasifikačných metód v praxi. Pomocou datasetu získaného z českého lekárskeho prostredia sa tieto metódy analyzujú a overujú za účelom preskúmania ich efektivity a presnosti v reálnych situáciách. Metódy vybrané pre túto štúdiu, COVID-Net, DarkCovidNet a CoroNet, boli zvolené vzhľadom na ich dostupnosť, rozšírené používanie a preukázanú účinnosť v tejto oblasti. Jadrom práce je návrh konvolučnej neurónovej siete prispôsobenej na extrakciu a učenie sa z nepatrných znakov prítomných na röntgenových snímkach svedčiacich o prítomnosti vírusu COVID-19. Táto snaha čelila značným výzvam, vyplývajúcim z rôznorodých akvizičných parametrov röntgenových snímok, ktoré môžu podstatne ovplyvniť diagnostickú presnosť. Jednotnosť týchto parametrov je rozhodujúca pre spoľahlivú analýzu, čo zdôrazňuje význam dôkladných techník predbežného spracovania. V dôsledku toho sa zaviedli pokročilé postupy normalizácie, úpravy kontrastu a rozšírenia s cieľom štandardizovať vstupné údaje. Samotná konvolučná sieť využíva sériu konvolučných, združovacích a plne prepojených vrstiev, ktoré sú optimalizované na zvládnutie odlišností prítomných v lekárskych obrazových dátach. Architektúra siete obsahuje mechanizmus pozornosti implementovaný prostredníctvom bloku stlačenia a excitácie na dynamické nastavenie významnosti rôznych kanálov vo vstupnom obraze. Integráciou týchto prvkov je model siete vycvičený tak, aby sa zameral na podstatné rysy v rámci röntgenových snímok, čo mu umožňuje efektívne rozoznávať nepatrné indikátory ochorenia COVID-19. Okrem iného sa v tejto práci pojednáva o~potenciáli integrácie takýchto diagnostických nástrojov riadených umelou inteligenciou do existujúcich infraštruktúr zdravotnej starostlivosti s cieľom zlepšiť včasnú detekciu a liečbu ochorenia COVID-19. Zistenia naznačujú, že využitie umelej inteligencie v lekárskom zobrazovaní môže výrazne pomôcť pri riešení a kontrole epidémií ochorení, čo v konečnom dôsledku prispieva k lepším zdravotníckym výsledkom.
|
|
|
Named Entity Recognition Exploiting Sub Word Information
Dobrovodský, Patrik ; Egorova, Ekaterina (oponent) ; Kesiraju, Santosh (vedoucí práce)
The aim of this thesis is the creation of a Named Entity Recognition system based on an older state-of-the-art model and studying how subword information can improve the recognition of out-of-vocabulary words. This proposed system besides English has to support two additional Indo-European languages: German and Hungarian. This work features a named entity tagger based on deep learning using pretrained and custom-trained word embeddings, sparse features, and character embeddings extracted by a Convolutional Neural Network. All these features are then processed by sequence-based (bidirectional Long Short-Term Memory) and feature-based (Conditional Random Field) approaches with the goal of achieving a F1-score similar to the work it is based on, and to compare how far present time state-of-the-art systems have evolved. The result is a system that achieves a 90.98% F1-score on the CoNLL 2003 English test dataset using pretrained word embeddings, not far behind the original work's 91.26%. For the other two languages, the model scores 89.34% on the WikiAnn German test dataset and 93.04% on the WikiAnn Hungarian test dataset with the usage of custom-trained embeddings.
|
|
|
Basics of Pedestrians Detection in Image by Machine Learning
Lučanský, Peter ; Klečka, Jan (oponent) ; Horák, Karel (vedoucí práce)
This thesis deals with cutting-edge computer vision task the detection of persons/pedestrians in images by using machine learning methods with its possible utilization, history of progress and explanations of functionalities. It also includes testing the today's best method available on various circumstances and comparing aspects that has impact on its performance. At the beginning the matter is fundamentally explained and then are in details described up to date achievements in the subject of matter. In the following part are described available datasets that may be used for training with pointed out their pros and cons. In the last section is in details explained how to use the chosen method. Lastly is executed its training on various situations and comparison of the results is made.
|
|
|
Využití strojového učení pro kontrolu kvality v průmyslových aplikacích
Gaško, Viktor ; Dobrovský, Ladislav (oponent) ; Parák, Roman (vedoucí práce)
Cieľom tejto bakalárskej práce je zoznámiť sa s problematikou kontroly kvality v priemyselných aplikáciách so zameraním na hlboké učenie. K tomuto a podobným problémom bolo vytvorených niekoľko knižníc, ktoré majú za úlohu uľahčiť jeho riešenie. Hlavnou úlohou je vytvorenie programu na kontrolu kvality za pomoci programovacieho jazyka Python a frameworku Tensorflow. Tento program bude pozostávať z troch neurónových sietí, pričom jedna zistí približnú polohu súčiastky, druhá jej farbu a tretia skontroluje správnosť jej výroby.
|
|
|
Mobilní aplikace využívající hlubokých konvolučních neuronových sítí
Poliak, Sebastián ; Herout, Adam (oponent) ; Sochor, Jakub (vedoucí práce)
Táto práca popisuje proces tvorby mobilnej aplikácie, ktorá využíva hlboké konvolučné neurónové siete. Proces začína predstavením hlavnej myšlienky, po ktorej nasleduje produktový a technický návrh, implementácia a vyhodnotenie. Práca taktiež skúma technické pozadie rozpoznávania obrazu, a vyberá najvhodnejšie možnosti pre účely aplikácie. Tie sú detekcia objektov a multi-label klasifikácia, ktoré sú obe implementované, vyhodnotené a porovnané. Výsledná aplikácia sa snaží priniesť hodnotu z užívateľského aj technického hľadiska.
|
|
|
Implementace neuronové sítě bez operace násobení
Slouka, Lukáš ; Baskar, Murali Karthick (oponent) ; Szőke, Igor (vedoucí práce)
Predmetom tejto diplomovej práce je akcelerácia neurónových sietí s cieľom redukcie počtu operácií násobenia reálnych čísiel. Teoretická časť tejto práce sleduje súčasné trendy a metódy využívané v oblasti akcelerácie neurónových sietí. Najväčší dôraz je kladený na binarizačné techniky, ktoré umožňujú nahradiť násobenia logickými operátormi. Teoretický základ je zavedený do praxe hneď dvomi spôsobmi. Prvým z nich je implementácia kritických binárnych operátorov spustiteľných na GPU vo frameworku TensorFlow a ich rýchlostný benchmark. Druhým je aplikácia týchto operátorov v jednoduchom klasifikátore obrázkov. Výsledky sú rozhodne povzbudivé. Implementované operátory dosiahli 2,5-násobné zrýchlenie v porovnaní s vysoko optimalizovanými cuBLAS operátormi. Posledná kapitola práce sleduje úspešnosť dosiahnutú binarizačnými modelmi.
|
|
|
Rozpoznávání osob podle obličeje s využitím Neural Compute Stick
Horník, Matej ; Orság, Filip (oponent) ; Goldmann, Tomáš (vedoucí práce)
Táto bakalárska práca sa zaoberá súčasnými technikami na rozpoznávanie osôb podľa tváre. V súčasnosti sa používajú konvolučné neurónové siete na rozpoznávanie tvárí. V tejto práci budú konvolučné neurónové siete popísané a taktiež budú porovnané súčasne architektúry konvolučných sietí, ktoré sa využívajú na rozpoznávanie tvárí. Cieľom bude vytvoriť vstavaný systém, ktorý sa bude skladať z kamery, výpočetnej jednotky a akcelerátora Neural Compute Stick. Systém bude rozpoznávať osoby podľa tváre s voľne dostupným algoritmom.
|
|
|
Rozpoznávání historických textů pomocí hlubokých neuronových sítí
Vešelíny, Peter ; Kolář, Martin (oponent) ; Kišš, Martin (vedoucí práce)
Táto práca sa zaoberá rozpoznávaním riadkov z historických textov. Historické texty pochádzajú z obdobia od 17. až 19 storočia a sú napísané pomocou fraktúry. Pri rozpoznávaní písma sa používa architektúra neurónovej siete zvaná sequence-to-sequence . Táto architektúra vychádza z modelu kodér-dekodér a používa mechanizmus attention . V rámci práce bola z textov, pochádzajúcich z archívu Deutsches Textarchiv , vytvorená dátová sada. Tento archív obsahuje 3 897 rôznych nemeckých diel, ku ktorým sú dostupné snímky strán a ich prepisy. Vytvorená dátová sada sa následne používa pri trénovaní a experimentovaní s neurónovou sieťou. V rámci experimentov sú skúmané rôzne modely konvolučných sietí, vplyv hyperparametrov siete a účinok pozičného kódovania na výsledky rozpoznávania. Výsledný model dokáže rozpoznať znaky s presnosťou 99,63 %. Prínosom tejto práce je spomínaná dátová sada a neurónová sieť, ktorá sa môže použivať pri rozpoznávaní historických dokumentov.
|
|
|
Určení typu a směru zbraně v obrazové scéně
Kolcún, Róbert ; Goldmann, Tomáš (oponent) ; Drahanský, Martin (vedoucí práce)
Cieľom tejto práce je navrhnúť spôsob pre klasifikáciu typu zbrane do dvoch kategórií na krátke a dlhé, a určenie náklonu zbrane v obrazovej scéne. Zvolený problém som riešil pomocou niekoľkých postupov, použitím klasických postupov ako K-Nearest-Neighbour a SVM klasifikátora, a použitím konvolučných neurónových sietí. V práci bolo vytvorené porovnanie týchto postupov s výslednou presnosťou až 90%. Výsledky tejto práce umožnujú vybrať správny postup pre riešenie daného problému.
|
|
|
Detekce objektů v laserových skenech pomocí konvolučních neuronových sítí
Zelenák, Michal ; Kodym, Oldřich (oponent) ; Veľas, Martin (vedoucí práce)
Táto práca je zameraná na segmentáciu vozovky v laserových skenoch, pomocou konvolučnej neurónovej siete. Pre riešenie uvedeného problému, ktorý nájde uplatnenia v oblastiach údržby vozovky, boli použité konvolučné neurónové siete pre ich flexibilitu a rýchlosť. Práca prináša implementáciu a modifikácie existujúcej metódy, ktorá daný problém rieši pomocou plne prepojenej konvolučej neurónovej siete. Týmito modifikáciami sú napríklad použitie rôznych parametrov pre chybovú funkciu, použitie iného počtu tried v modeli a datasete. Vplyv modifikácií bol experimentálne overený a bola dosiahnutá presnosť 96.12%, a hodnota F-measure 95.02%.
|
host ::
RSS.