|
|
Column-oriented and Image Data Format Benchmarks
Tarageľ, Marián ; Bartl, Vojtěch (referee) ; Špaňhel, Jakub (advisor)
Cieľom tejto bakalárskej práce je ohodnotiť rôzne dátové formáty pre ukladanie tabulárnych a obrazových dát. K zvládnutiu tejto úlohy táto práca navrhuje nový benchmark dátových formátov. Benchmark je rozdelený do troch benchmarkových skupín. Tie zahŕňajú benchmark nekomprimovaných tabulárnych formátov, komprimovaných tabulárnych formátov a benchmark obrazových úložísk. Celkové výsledky tabulárnych benchmarkov naznačujú, že najlepší tabulárny formát pre rýchle ukladanie a čítanie je Feather a najviac pamäťovo efektívny je Parquet. Výsledky benchmarkov ukladania obrázkov ukazujú, že najrýchlejšie úložisko obrázkov je v SQLite a najmenej miesta vyžaduje formát PNG. Výsledky tejto práce môžu prispieť k lepšiemu pochopeniu správania sa rôznych dátových formátov a pomôcť pri výbere správneho formátu pre tabulárne a obrazové dáta.
|
|
|
Detekce karet při turnajích v pokru
Kovalets, Vladyslav ; Šilling, Petr (referee) ; Vaško, Marek (advisor)
This bachelor's thesis focuses on the development of an advanced system for automatic recognition and registration of playing cards from video recordings of poker games. The technology of convolutional neural networks, specifically the YOLO network, was chosen as the basic tool. It enables effective identification of cards on the table and in the hands of players even under challenging conditions. The work involved creating an extensive dataset for training and testing the card detector, which achieved a recognition accuracy of 98.7%. An algorithm was designed to minimize detector errors and improve the overall accuracy of the system. The results of the study suggest that the developed system has potential for use in practice.
|
|
|
Large Language Models for Generating Code Focusing on Embedded Systems
Vadovič, Matej ; Nosko, Svetozár (referee) ; Smrž, Pavel (advisor)
The goal of this work was to adapt a pre-trained language model for the purpose of generating code in the field of embedded systems. The work introduces a new dataset for fine-tuning code generation models, consisting of 50,000 pairs of source code and comments focused on embedded systems programming. This dataset is composed of collected source code from the GitHub platform. Two new language models for code generation, based on transformer architecture pre-trained models, were fine-tuned on the data of the new corpus. Model MicroCoder is based on the CodeLLaMA-Instruct 7B model, and during its fine-tuning, the QLoRA technique was used to minimize computational requirements. The second model, MicroCoderFIM, is based on the StarCoderBase 1B model and supports code infilling. The individual models were compared based on BLEU, CodeBLEU, ChrF++, and ROUGE-L metrics. Model MicroCoderFIM achieves the best adaptation results to the new task, with over 120% improvement in all measured metrics. The weights of the models along with the new dataset are freely accessible on a public repository.
|
|
|
Image Inpainting using Deep Learning
Zobaník, Radek ; Kubík, Tibor (referee) ; Šilling, Petr (advisor)
In this thesis, an application was developed for testing and comparing methods for completing missing parts of an image using deep learning, and two methods were trained, pconv with convolutional architecture, and AOT-GAN with GAN architecture. The thesis describes the design of the finished application, its functionality, and important implementation details. A dataset was selected on which the chosen models were optimally trained. Experiments were made on the AOT-GAN model to investigate the impact of the number of AOT blocks in generator on the resulting completed image. All experiments were qualitatively and quantitatively compared. The results showed respectable outcomes when working with natural scenery.
|
|
|
Detekce malware domén pomocí metod strojového učení
Ebert, Tomáš ; Poliakov, Daniel (referee) ; Hranický, Radek (advisor)
This bachelor thesis deals with the detection of malware domains using machine learning methods learning based on various information obtained about the domain (DNS records, geolocation data etc.). With the rapid proliferation of threats, not only in the form of malware, the current examples are often approaches are insufficient, either in terms of the speed of detection of malware domains or in terms of overall recognition,whether a domain is dangerous. The output of this work is a trained XGBoost classifier model, which has the advantage of fast and efficient real-time detection over blacklist detection, which often acquires domain data with a week delay. For this model, 131,000 malware domains were obtained, using which obtain a high-value model. Using experiments, a score of F1 of 96.8786 % for the XGBoost classifier with a false positive detection rate of 0.004887.
|
|
|
Benchmark of the Computational Tools for the Prediction of the Effect of Mutations on Protein Stability
Berezný, Matej ; Martínek, Tomáš (referee) ; Musil, Miloš (advisor)
Návrh proteínov vyžaduje informáciu o tom ako mutácie ovplyvňujú celkovú stabilitu proteinu. Pre tento prípad existuje mnoho verejne dostupných nástrojov avšak ich kolektívne používanie či porovnávanie je veľmi pracné. Presne pre tento prípad som vyvinul BenchStab; konzolovú aplikáciu/Python knižnicu navrhnutú pre rýchlu a priamočiaru manipuláciu s 18 prediktormi, umožňujúc hromadné získavanie mutačných výsledkov. Zároveň som vytvoril novú unikátnu dátovú sadu, získanú z FireProtDB. Tento dataset som použil na porovnanie 24 rôznych predikčných metód pomocou rôznych metrík.
|
|
|
Analyzing a person’s handwriting for recognizing his/her emotional state
Chudárek, Aleš ; Matoušek, Jiří (referee) ; Malik, Aamir Saeed (advisor)
Rozpoznávání emocí z rukopisu je náročný a interdisciplinární úkol, který může poskytnout vhled do psychologického a emočního stavu pisatele. V této diplomové práci byl vyvinut a vyhodnocen model strojového učení schopný predikovat emoční stav pisatele na základě vzorků jeho rukopisu. Byl využit dataset EMOTHAW, který obsahuje vzorky rukopisu a kreseb od subjektů, jejichž emoční stavy byly změřeny pomocí testu DASS, který hodnotí úroveň deprese, úzkosti a stresu, a CIU Handwritten databázi pro ověření a experimentování. Bylo extrahováno množství příznaků inspirovaných standardní grafologií, stejně jako příznaky specifické pro online data. Pomocí ANOVA byly vybrány statisticky významné příznaky, které byly normalizovány pomocí Z-Score, MinMax, IQR nebo logaritmické transformace. Dimenzionalita příznaků byla snížena pomocí analýzy hlavních komponent (PCA) a lineární diskriminační analýzy (LDA). Pro klasifikaci byl použit meta-přístup Ensemble learning, který se snaží snížit chyby jednoho jednoduchého modelu využitím rozmanitosti a doplňkovosti více modelů. Struktura klasifikátoru závisí na mnoha argumentech, což vede k více než 300 000 různým konfiguracím. Optimální argumenty a tudíž optimální struktura byla hledána pomocí zamrazování argumentů. Byly identifikovány nejlepší klasifikátory pro binární a trinární klasifikaci každé emoce, což vedlo k šesti optimálním modelům. Tyto modely byly hodnoceny pomocí různých metrik, jako jsou accuracy, precision, recall a F1 Skóre, a dosáhly adekvátních výsledků ve všech metrikách. Kromě nalezení klasifikátorů tato práce zkoumala význam každého extrahovaného příznaku, čímž byl vytvořen seznam nejvýznamnějších příznaků použitých pro rozpoznávání emocí z rukopisu. Dále tato práce rozšiřuje databázi EMOTHAW identifikací úkolů, které jsou více indikativní pro specifické emoce, čímž se snižuje potřeba kompletní baterie úkolů pro emoční analýzu.
|
|
|
Semantic segmentation of aerial images
Pazdera, Jiří ; Králík, Jan (referee) ; Adámek, Roman (advisor)
This work deals with semantic segmentation of aerial images and their subsequent use for route planning. The first part represents an introduction to this issue and a theoretical description of the current state of knowledge. The second part describes testing of available segmentation methods, the development of custom dataset, and the training of an existing neural network model. Finally, the possibility of route planning using an appropriate algorithm is demonstrated.
|
|
|
Automatická vizuální podpora pro Q-řazení
Kán, Dávid ; Hradiš, Michal (referee) ; Vaško, Marek (advisor)
This bachelor thesis deals with the integration of Q-sorting and computer vision methods for object detection. The goal of the work is to create a program that, with the help of~visual support, will facilitate the process and at the same time prevent errors in Q-sorting. Furthermore, the work deals with the creation of~a suitable data set for training the model and for experiments, which takes into account the way the cards are laid out and the~environment. The implemented program takes the form of a console application and is written using the Python programming language. The program uses YOLOv8 to detect objects and uses Pero OCR to retrieve text from cards. Using the created test set, experiments were performed on the trained model and the program was tested.
|
|
|
Automatická kontrola dopravního značení
Čechmánek, Roman ; Klíma, Ondřej (referee) ; Musil, Petr (advisor)
The aim of this work is to create a cost-effective tool capable that would be able to automate the process of traffic sign control. This includes working with records of drives on land communications, created using inexpensive recording devices such as GoPro action cameras or certain dashcams. The control is based on the system localized traffic signs and historical traffic sign mapping data. The result of the work is a system whose input consists of drive records and historical data, and whose output is two files containing information about the inspection results. The first of these is a GEOJSON file, suitable for further processing of the collected data, and an HTML file that provides a simple user interface visualizing the inspection results on an interactive web map.
|
guest ::
