|
|
Holistické rozpoznání registrační značky pomocí konvolučních neuronových sítí
Le, Hoang Anh ; Hradiš, Michal (oponent) ; Špaňhel, Jakub (vedoucí práce)
Cílem práce bylo vytvořit holistický rozpoznávač registračních značek, kde byl kladen důraz na dosáhnutí co nejvyšší přesností na snímcích horší kvality. Byla navrhnuta a implementována kombinace konvoluční a rekurentní neuronové sítě, implementované pomocí LSTM a CTC, kde vstupem jsou výřezy získané z celé značky. Dále byly také implementovány konkurenční sítě pro porovnání výsledků. Sítě byly porovnány na celkem 4 datových sadách, a výsledkem bylo, že vlastní návrh dosáhl nejlepších výsledků s celkovou přesností rozpoznávání 97.6%.
|
|
|
Analýza zvukových nahrávek pomocí hlubokého učení
Kramář, Denis ; Říha, Kamil (oponent) ; Přinosil, Jiří (vedoucí práce)
Tato diplomová práce se zabývá řešením problému audio-klasifikace zvuku těžby motorové pily v přirozeném prostředí s využitím převážně konvolučních neuronových sítí. Nejprve je probrána teorie týkající se grafické reprezentace zvukového signálu. Další část je věnována oblasti strojového učení. Ve třetí kapitole jsou prezentovány některé současné práce zabývající se touto problematikou. V rámci praktické části je představen použitý dataset a testované neuronové sítě. Dosažené výsledky testování jsou porovnány na základě dosažené úspěšnosti a pomocí křivek ROC. Robustnost představených řešení je ověřena pomocí navrženého detekčního programu a zhodnocena pomocí objektivních kritérií.
|
|
|
Reconstruction of Missing Parts of the Face Using Neural Network
Marek, Jan ; Drahanský, Martin (oponent) ; Goldmann, Tomáš (vedoucí práce)
The goal of this thesis is to design a neural network for reconstruction of face images in which a part of the face is obscured by a mask. Concepts used in the development of convolutional neural networks and generative adversarial networks are presented. Specific concepts used in neural networks used for face reconstruction are described. The generative adversarial network presented in this thesis combines the use of gated convolutional layers and dense multiscale fusion blocks to produce realistic reconstructions of masked face images.
|
|
|
Detekce dopravních značek a semaforů
Oškera, Jan ; Špaňhel, Jakub (oponent) ; Herout, Adam (vedoucí práce)
Tato práce se zabývá moderními metodami umožňující detekci dopravních značek a semaforů přímo v provozu i zpětnou analýzou. Hlavním předmětem jsou konvoluční neuronové sítě (CNN). V řešení jsou použity konvoluční neuronové sítě typu YOLO. Hlavním cílem této práce je dosažení co největší optimalizace rychlosti a přesnosti modelů. Zkoumá vhodné datové sady. K trénování a experimentování je použita celá řada datových sad. Ty jsou složeny z reálných a syntetických datových sad. Pro trénování a testování byla data předzpracována pomocí nástroje Yolo mark. Trénování modelu bylo uskutečněno na výpočetním středisku náležící virtuální organizaci MetaCentrum VO. Z důvodu vyčíslitelného vyhodnocení kvality detektoru byl vytvořen program statisticky i graficky zobrazující jeho úspěšnost pomocí hodnotícího protokolu COCO a ROC křivky. V práci jsem vytvořil model, který dosahoval průměrné počáteční přesnosti až 81 %. Práce zobrazuje nejlepší volbu hranice jistoty napříč verzemi, velikostmi i IoU. Je vytvořeno i rozšíření pro telefony v TensorFlow Lite a Flutter.
|
|
|
Radio Modulation Recognition Networks
Pijáčková, Kristýna ; Maršálek, Roman (oponent) ; Götthans, Tomáš (vedoucí práce)
The bachelor thesis is focused on radio modulation classification with a deep learning approach. There are four deep learning architectures presented in the thesis. Three of them use convolutional and recurrent neural networks, and the fourth uses a transformer architecture. The final number of parameters of each model was considered during the design phase, as it can have a big impact on a memory footprint of a deployed model. The architectures were written in Keras, which is a software library, which provides a Python interface for neural networks. The results of the architectures were additionally compared to results from other research papers on this topic.
|
|
|
Klasifikace příkazů z EMG pomocí neuronové sítě
Zauška, Ján ; Šůstek, Martin (oponent) ; Szőke, Igor (vedoucí práce)
Táto práca sa zaoberá klasifikáciou 15 príkazov (krátkych slov) z malej dátovej sady nahranej pomocou sEMG elektród umiestnených na tvári a krku rečníka. V nahrávkach sú rozlíšené dva typy reči - audible speech, čo je klasická reč, a silent speech, teda reč, pri ktorej je potlačené vydávanie zvuku. Práca popisuje spracovanie EMG signálu, extrakciu príznakov, návrh klasifikátoru a výsledky klasifikácie. Ako klasifikátor bola použitá vlastná architektúra konvolučnej neurónovej siete. V práci sa tiež nachádza mnoho experimentov porovnávajúcich presnosť klasifikácie silent a audible speech.
|
|
|
Classification of thorax diseases on chest X-ray images using artificial intelligence
Pijáček, Štěpán ; Mikulec, Marek (oponent) ; Mezina, Anzhelika (vedoucí práce)
This thesis is researching workable solutions to the problem of classification of thorax disease on chest x-ray images using artificial intelligence. For a better understanding of the problem, the first chapters explain the basic convolutional neural network and its advantages and disadvantages. Based on these first explanations, two neural networks which are expanding on the concept of the convolutional neural network are chosen. Those are capsulated network and residual network both explained further in their respective sections with their advantages and disadvantages. Residual network and Capsulated network are implemented using programming language python and framework TensorFlow with Keras library, both with their respective chapters. At the end of this thesis, you can find results and conclusion.
|
|
|
The Use of Artificial Intelligence for Decision Making in the Firm
Volný, Miloš ; Budík, Jan (oponent) ; Dostál, Petr (vedoucí práce)
This thesis is concerned with future trend prediction on capital markets on the basis of neural networks. Usage of convolutional and recurrent neural networks, Elliott wave theory and scalograms for capital market's future trend prediction is discussed. The aim of this thesis is to propose a novel approach to future trend prediction based on Elliott's wave theory. The proposed approach will be based on the principle of classification of chosen patterns from Elliott's theory by the way of convolutional neural network. To this end scalograms of the chosen Elliott patterns will be created through application of continuous wavelet transform on parts of historical time series of price for chosen stocks.
|
|
|
Psaní na počítači pomocí mozkových signálů
Wagner, Lukáš ; Malinka, Kamil (oponent) ; Tinka, Jan (vedoucí práce)
Tato práce se zabývá implementací rozhraní mezi mozkem a počítačem v jazyce Python umožňující psát a komunikovat s použitím zařízení EEG. Práce studuje a hodnotí dosavadní technologie rozhraní mezi mozkem a počítačem pro použití za tímto účelem. Dále se práce zabývá použitím strojového učení, které se v technologii používá, zejména neuronovými sítěmi, jež se prokázaly být jednou z nejpřesnějších metod klasifikace signálu EEG. Následně jsou navrženy a implementovány 3 různé systémy založené na různých paradigmatech vyvolávání změny potenciálu EEG vizuální cestou. Tyto systémy byly na závěr otestovány s různými přístupy ke zpracování signálu. Bohužel žádný ze systémů neuspěl v komunikaci cílových písmen.
|
|
|
Rozpoznávání textu s využitím informace o pisateli
Trněný, Matěj ; Kišš, Martin (oponent) ; Kohút, Jan (vedoucí práce)
Cílem práce je vytvořit neuronovou síť pro rozpoznání textu s využitím informace o pisateli. Pro tento účel byla vybrána metoda adversarial learning. Účinost teto metody byla ověřena experimentálně. Vytvořená síť by měla díky použité metodě adversarial learning dosahovat lepších výsledků na datech, která nejsou podobná datům obsaženým v trénovací sadě oproti stávající metodě single-task learning. Výsledná síť dosažená pomocí uvedené metody byla porovnána se současnou metodou rozpoznávání textu metodou single-task learning a multi-task learning. Síť implementující single-task learning dosahuje průměrné chyby při rozpoznávání znaku 7, 995%, síť implementující multi-task learning dosahuje průměrné chyby 7, 565% v porovnání se sítí využívající adversarial learning, která dosahuje úspěšnosti 7, 573%. V porovnání single-task learning dosahuje multi-task learning 5, 38% zlepšení a adversarial learning 5, 28%.
|
host ::
RSS.