|
|
Deep neural network learning methods with limited datasets
Németh, Filip ; Vičar, Tomáš (oponent) ; Jakubíček, Roman (vedoucí práce)
The master thesis aims to investigate the effectiveness of deep neural networks in image processing with limited training data. As part of the work, the effects of various techniques and approaches on the learning of these networks were analyzed, including transfer learning, data augmentation, and neural style transfer method. Experimental results suggest that transfer learning using pre-trained weights from large datasets such as ImageNet is effective in improving results on limited data, achieving high F1-scores. The use of different forms of data augmentation can lead to variable results, where it provides different advantages and disadvantages that have a significant impact on the success and efficiency of the models. In general, the method using a neural style transfer network does not yield significant improvements and proved less effective for dataset with a large diversity of perspectives and geometric features.
|
|
|
Classification of sleep events from polygraphic data
Bódi, Michal ; Smital, Lukáš (oponent) ; Králík, Martin (vedoucí práce)
This bachelor’s thesis discusses the detection and classification of sleep apnea. First, it explains the differences between individual sleep disorders and data acquisition methods. Creating an overview such as gain signals and then suggests an algorithm procedure for detection and classification with the help of wavelet transform, thresholding and machine learning model. The thesis continues with the program solution itself in the Matlab environment and its evaluation through the visualization of the confusion matrix and the F1 score. The highest value of F1 in detection reached 91.33% and in classification 43,64%. The created algorithm was supposed to look for sleep-related breathing disorders in all-night recordings.
|
|
|
Optimalizace metod detekce mykovirů získaných analýzou NGS dat
PÍCHALOVÁ, Barbora
Celosvětově známým patogenem jsou houby z rodu Armillaria způsobující onemocnění armillaria root disease vyznačující se napadením kořenového systému dřevin, vylamováním bazální části a rozvojem bělavého syrrocia pod kůrou stromů. Při výzkumu tohoto onemocnění bylo již publikováno několik genomových sekvencí mykovirů včetně virů z čeledi Mymonoviridae, Botourmiaviridae, Partitiviridae, Virgaviridae a nově popsané skupiny virů s názvem ambi-like viry. In silico analýzou sekvencí virů získaných pomocí metod NGS byly v izolátech Armillaria spp. z České republiky popsány kromě ambi-like virů a partitivirů i dosud neobjevené viry v tomto rodu a to beny-like viry. Pro potvrzení přítomnosti beny-like virů in vitro byla použita metoda reverzní transkripce s následnou PCR. Celková RNA byla izolována pomocí komerčního kitu a její přítomnost ve vzorcích byla potvrzena elektroforeticky. K navržení trojice primeru Beny F1 a Beny R1, Beny F2 a Beny R2 a BV1 F a BV1 R byla využita sekvence získaná pomocí sekvenační platformy NovaSeq 6000 systému Illumina, ve které byly navrženy potenciální ORF. Primery byly cíleny na nejdelší úsek ORF kódující RdRp, který je nejvíce konzervovaným genem v RNA virech. Úsek DNA získaný reverzní transkripcí byl amplifikován metodou PCR s následnou reamplifikací a na závěr byly vzorky byly vyhodnoceny elektroforeticky na přítomnost ssRNA virů.
|
|
|
Automaticka diagnostika 12svodoveho EKG pomoci hlubokeho uceni
Blaude, Ondřej ; Smital, Lukáš (oponent) ; Provazník, Valentine (vedoucí práce)
Tato diplomová práce má za cíl prozkoumat problematiku automatické diagnostiky EKG, a to na dvanáctisvodových záznamech. V kapitole první je krátce popsán úvod k srdci a měření jeho elektrické aktivity, navíc jsou zde krátce popsány abnormality, které budou v práci klasifikovány. Ve druhé kapitole je popsáno, jak bylo EKG diagnostikováno dříve, tedy klasickými metodami, které předcházely hlubokému učení. Zde jsou i zmíněny některé nedostatky, které tyto metody mají právě oproti hlubokému učení. Část třetí již věnuje pozornost hlubokému učení samotnému, jeho přínosu a výhodám ve srovnání s metodami klasickými. Popsány jsou zde i konvoluční neuronové sítě a jejich jednotlivé bloky, později je věnována pozornost i vybraným architekturám, které byly v některých studiích použity. Kapitola čtvrtá se již zaměřuje na praktickou část, v níž jsou podrobněji popsána použitá data z databáze PhysioNet, navržený algoritmus a jeho realizace. V páté kapitole jsou výsledky diskutovány a srovnány výsledky dostupných publikací se související problematikou.
|
|
|
Bioaktivní látky v brukvovité zelenině
KOVAČIKOVÁ, Karolína
Tato diplomová práce se zabývá bioaktivními látkami v brukvovité zelenině. Cílem práce bylo zjištění obsahu celkových fenolických látek, chlorofylu A, chlorofylu A+B, karotenoidů, a také vitaminu C ve vybraných druzích brukvovité zeleniny (kapusta růžičková, kapusta krmná, kapusta kadeřavá, kapusta hlávková, okrasné zelí). Nejvyšší koncentrace fenolických látek byla zjištěna v kapustě kadeřavé, červené, odrůdy Scarlet. Nejvyšší množství chlorofylu A bylo zastoupeno v zelí okrasném červeném, odrůdy Pigeon Victoria F1. Ze všech stanovovaných odrůd brukvovité zeleniny byl obsah chlorofylu B nejvyšší u kapusty kadeřavé, zelené, odrůdy Toskánské. Množství chlorofylu A+B a zároveň i karotenoidů bylo nejvyšší u kapusty kadeřavé, zelené odrůdy Toskánské. Nejvyšší množství vitaminu C bylo naměřeno rovněž u kapusty kadeřavé, zelené odrůdy Toskánské.
|
|
|
Pokročilé skórování spánkových dat
Jagošová, Petra ; Novotná, Petra (oponent) ; Ronzhina, Marina (vedoucí práce)
Tato diplomová práce se zabývá pokročilým skórováním spánkových dat, které bylo provedeno pomocí hluboké neuronové sítě. Ke skórování jsou využívána data tepové frekvence a informace o pohybu naměřené pomocí chytrých hodinek Apple Watch. Po vhodném předzpracování sloužila tato data jako vstupní parametry do navržených sítí. Cílem LSTM sítě bylo provést klasifikaci dat buď do dvou skupin na spánek a bdění nebo do tří skupin na bdění, Non-REM a REM. Nejlepších výsledků dosáhla síť provádějící klasifikaci spánek vs. bdění s využitím akcelerometru. Statistické vyhodnocení této nejlepší sítě dosáhlo hodnoty senzitivity 71,06 %, specificity 57,05 %, celkové úspěšnosti (accuracy) 70,01 % a F1 skóre 81,42 %.
|
|
|
Detekce obtížně diferencovatelných skupin srdečních arytmií
Kantor, Marek ; Ronzhina, Marina (oponent) ; Novotná, Petra (vedoucí práce)
Tato práce se zabývá problematikou detekčních metod fibrilace síní, flutteru síní a sinusového rytmu ze záznamu EKG. Práce rovněž pojednává o těchto arytmiích a klasifikačních algoritmech vhodných pro tuto problematiku. V rámci této práce je vytvořeno několik přístupů klasifikace. Pro extrakci příznaků je využita konvoluční neuronová síť a klasifikace je realizovaná prostřednictvím umělé neuronové sítě. Vybrána metoda 1D CNN pro tyto těžko diferencovatelné srdeční arytmie dosahuje průměrné přesnosti klasifikace F1 - skóre = 91 %. Vybrána CNN optimalizovaná pomocí GA je rychlá mělká síť s lepší přesností než hluboká síť. Vytvořené modely jsou použity i pro klasifikaci jiných typů arytmií.
|
|
|
Detekce cizích objektů v rentgenových snímcích hrudníku s využitím metod strojového učení
Matoušková, Barbora ; Kolář, Radim (oponent) ; Chmelík, Jiří (vedoucí práce)
Cizí objekty v RTG snímcích hrudníku způsobují komplikace během automatického zpracování snímku. Abychom zabránily chybám, které vznikají právě kvůli těmto cizím objektům, je třeba je nejprve automaticky vyhledat a z následné analýzy je vynechat. Jedná se především o knoflíky, šperky, implantáty, dráty či trubičky. Zároveň nalezení pacemakerů a jiných voperovaných zařízení může pomoct při automatickém zpracování. Cílem této práce bylo navrhnout metodu pro detekci cizích objektů v RTG snímcích hrudníku. Pro tento úkol byla zvolena metoda Faster R-CNN s předtrénovanou sítí ResNet50 pro extrakci příznaků, která byla natrénována na 4 000 snímcích a následně otestována na 1 000 snímcích z veřejně dostupné databáze. Po nalezení optimálních učících parametrů se podařilo natrénovat síť, která dosahuje 75% přesnosti, 77% senzitivity a 76% F1 skóre. Určitá část chyby je ovšem tvořena nejednotnými anotacemi objektů v datech, kdy ne všechny anotované cizí objekty se nachází v oblasti plic, jak je udáno v popisu.
|
|
|
Deep Learning Algorithms on Embedded Devices
Hadzima, Jaroslav ; Boštík, Ondřej (oponent) ; Horák, Karel (vedoucí práce)
This paper describes currently widely used Deep Learning architectures and methods for object detection and classification in video, with intention of using them on embedded systems. We will cover steps and reasoning when choosing the most appropriate embedded hardware for our application. Our test application consists of vehicle detection and free parking space detection using Deep learning methods, all wrapped under name Smart car park. This application provides monitoring of vehicle presence in car park and if they occupy parking spot or not. All this is expected to be done using embedded device. Later, there will be covered configuration steps for our embedded device with emphasis on hardware optimization for speed. We will provide comparison of available inference models, which will be rated mostly in categories like speed or F1 score, which have the biggest impact in our application. The best candidate will be selected and used for testing of our application.
|
|
|
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.
|
host ::
RSS.