|
|
Vliv pozadí a velikosti databáze na trénování neuronových sítí pro klasifikaci obrazů
Mikulec, Vojtěch ; Kolařík, Martin (oponent) ; Rajnoha, Martin (vedoucí práce)
Tato bakalářská práce se zaobírá vlivem pozadí a velikosti databáze na trénování neuronových sítí pro klasifikaci obrazů. V práci jsou popsány techniky zpracování obrazů pomocí konvolučních neuronových sítí a vliv pozadí (šumu) a velikosti databáze na trénování. Práce navrhuje metody, se kterými lze dosáhnout rychlejšího a přesnějšího procesu trénování konvolučních neuronových sítí. Pro experimentování je vybrána binární klasifikace datové množiny označených tváří z různého prostředí, jejíž pozadí je pro každý experiment modifikováno nahrazením barvou nebo ořezáním. Velikost datové množiny je pro trénování konvolučních neuronových sítí klíčová, v této práci je experimentováno s velikostí trénovací množiny, což simuluje reálný problém s nedostatkem dat při trénování konvolučních neuronových sítí pro klasifikaci obrazů.
|
|
|
Rozpoznání výrobce a modelu automobilu v obraze
Buchta, Martin ; Špaňhel, Jakub (oponent) ; Herout, Adam (vedoucí práce)
Tato práce se věnuje problematice klasifikace modelu automobilu z obrazu. Popisuje několik metod, jako konvoluční neuronové sítě, metody omezené na přední/zadní pohled a metody využívající 3D CAD modely. Z těchto přístupů si vybírá konvoluční neuronové sítě, kterým se dále věnuje. Práce obsahuje popis jednotlivých vrstev, ze kterých se taková síť skládá. V praktické části je popsán postup, jakým byl vytvořen klasifikátor, který má přesnost 80,7\,\%. Pro účely ověření funkčnosti byla vytvořena datová sada obsahující 1\,034 fotografií. Práce dále experimentuje s různými architekturami a vyhodnocuje jejich přesnost. Součástí práce je program, který díky detektoru automobilu najde ve videu vozidla a v daném videu je označí čtverečkem a popisem modelem automobilu.
|
|
|
Metodika řešení masivních úloh v GIS
Opatřilová, Irena ; Hanzl, Vlastimil (oponent) ; Cajthaml,, Jiří (oponent) ; Řezník,, Tomáš (oponent) ; Bartoněk, Dalibor (vedoucí práce)
Disertační práce se zabývá problematikou řešení masivních úloh v GIS. Tyto úlohy zpracovávají geografická data velkých objemů a různých formátů. Práce popisuje teoretický rozbor složitosti úloh a možnosti optimalizace dílčích procesů, které vedou k přijatelnému řešení. Zamýšlí se nad možností využití paralelismu v GIS, čímž lze zrychlit zpracování velkého objemu geodat. Navrhuje také způsob optimalizace procesů prostřednictvím algoritmu, který stanoví počet nutných prostředků k úspěšnému vyřešení úlohy v zadaném čase a k přiřazení procesů těmto prostředkům. Dále je zde navržen algoritmus pro optimalizaci při přípravě dat rozsáhlých GIS projektů. Algoritmy byly ověřeny v rámci výzkumného projektu, jehož cílem byla analýza povrchů terénu nad plynovody na území ČR vyjma dvou krajů. Hlavní metodou analýzy byla klasifikace obrazu ortofota, která byla dále zpřesněná filtrací z vrstev ZABAGED. Proto se práce zabývá i možnostmi zpřesnění výsledků klasifikace obrazu s využitím nástrojů GIS a stanovením chybovosti výsledků analýzy. Výstupy analýzy jsou nyní využívány pro strategické plánování údržby a rozvoje plynárenských zařízení v ČR. Výsledky práce mají obecný význam pro řešení stejné třídy úloh v GIS.
|
|
|
Rozpoznání květin v obraze
Jedlička, František ; Kříž, Petr (oponent) ; Přinosil, Jiří (vedoucí práce)
Tato práce se zabývá rozpoznáváním květin v obraze a klasifikaci do tříd. Teoretická část je zaměřena na problematiku hlubokých konvolučních neuronových sítí. Praktická část se zabývá popisem mnou vytvořené databáze květin, se kterou je dále pracováno. Databáze obsahuje celkem 13000 fotek rostlin 26 druhů a to čekanky, fialky, gerbery, heřmánku, chrpy, jaterníku, jestřábníku, jetele, karafiátu, konvalinky, kopretiny, macešky, máku, měsíčku, narcise, pampelišky, pcháče, pomněnky, růže, sasanky, sedmikrásky, slu- nečnice, sněženky, starčku, tulipánu a vlaštovičníku. Dále je v práci popsán a použit model neuronové sítě Inception v3 na klasifikaci obrazu do tříd. Výsledná klasifikační přesnost dosáhla 92%.
|
|
|
Klasifikace obrazů s pomocí hlubokého učení
Hřebíček, Zdeněk ; Přinosil, Jiří (oponent) ; Mašek, Jan (vedoucí práce)
Práce se zabývá detekcí objektů v obraze a jejich klasifikací do tříd. Klasifikace je zajištěna modely prostředí pro hlubokého učení BVLC/Caffe; Detekci objektů zajišťují algoritmy AlpacaDB/selectivesearch a belltailjp/selective_search_py. Jedním z výsledků této práce je úprava a využití modelu hluboké konvoluční neuronové sítě AlexNet v prostředí BVLC/Caffe. Model byl natrénován s přesností 51,75% pro klasifikaci do 1 000 tříd, následně byl upraven a natrénován pro klasifikaci do 20 tříd s přesnotí 75.50%. Přínosem práce je implementace grafického rozhraní pro detekci a klasifikaci objektů do tříd, jež je implementováno jako aplikace na bázi webového serveru v jazyce Python. Aplikace integruje výše zmíněné algoritmy detekce objektů s klasifikací pomocí BVLC/Caffe. Výslednou aplikaci lze použít jak pro detekci (a klasifikaci) objektů, tak pro rychlé ověření klasifikačních modelů prostředí BVLC/Caffe. Tato aplikace byla pro možnost rozšíření a dlašího využití zveřejněna na serveru GitHub pod licencí Apache 2.0.
|
|
|
Klasifikace obrazů pomocí genetického programování
Jašíčková, Karolína ; Vašíček, Zdeněk (oponent) ; Sekanina, Lukáš (vedoucí práce)
Tato práce se zabývá klasifikací obrazu pomocí genetického programování a koevoluce. Algoritmy genetického programování umožňují generovat spustitelné struktury a navrhovat tak automatizovaně řešení ve formě programů. Použití koevoluce s predikcí fitness snižuje časovou náročnost výpočtu fitness a tím i dobu trvání celého algoritmu. Práce popisuje teoretický základ evolučních algoritmů a zejména kartézské genetické programování. Jsou také popsány vlastnosti koevolučních algoritmů a zejména navržená metoda pro návrh klasifikátoru obrazu s využitím koevoluce fitness prediktorů, jejímž cílem je nalézt kompromis mezi přesností klasifikace, dobou návrhu a složitostí klasifikátoru. Součástí práce je implementace navžené metody, provedení experimentů a srovnání získaných výsledků s ostatními metodami.
|
|
|
Vision Transformery pre vstavané platformy
Nemčeková, Barbora
Tato práce se zabývá zkoumáním Transformerů vidění pro úlohu klasifikace obrazu, jejich optimalizaci, a nasazení na vybrané vestavěné zařízení. Na vybraných vestavěných zařízení se doposud pro klasifikaci obrazu používaly konvoluční neuronové sítě, avšak s revolucí ve zpracování přirozeného jazyka vznikl zájem o zkoumání transformerů i pro úlohy počítačového vidění. Práce experimentuje s různými druhy kvantizace modelů, jako je int8 kvantizace, int16x8 kvantizace, dynamická kvantizace a SmoothQuant metoda. Výsledky ukazují, že ne všechny transformery vidění je možné kvantizovat s dostatečnou přesností, a to ani při použití specializované metody SmoothQuant. Taktéž se ukázalo, že kvantizovaný transformer model není možné akcelerovat na NPU vybraných zařízení. Ze zkoumaných faktorů, jako je přesnost po optimalizaci modelu, latence a využití paměti na vestavěném zařízení, konvoluční neuronové sítě stále převyšují modely transformerů.
|
|
|
MLOSINT: Classifying Vehicle Losses in Ukraine
Kanát, Antonín ; Špelda, Petr (vedoucí práce) ; Střítecký, Vít (oponent)
Tato práce se zabývá možnostmi využití strojového učení (ML) při analýze zpravodajských informací z otevřených zdrojů (OSINT). Vzhledem k tomu, že data jsou společným vstupem obou oborů, jsou data hlavní optikou, kterou je téma zkoumáno. Pro pochopení celého procesu nasazení ML modelu od sběru dat až po jejich analýzu byl vycvičen a otestován obrazový klasifikátor ztrát ruských vozidel při invazi na Ukrajinu. Tento klasifikátor, vycvičený na více než 50 000 obrázcích z databáze WarSpotting, dosáhl slušné přesnosti 79 % na tréninkových datech pěti nejpočetnějších kategorií snímků. Na testovacích datech z pozdějšího období klesl výkon na 62 %. Jedno z nabízených vysvětlení je, že statické frontové linie a rozšíření dronů vedly k tomu, že většina nedávných snímků byla pořízena ze vzduchu, zatímco tréninková data byla pořízena převážně ze země. Tento výsledek ukázal, jak nevyhnutelné změny i ve zdánlivě dobře spravovaných datech mohou vést k nízkému výkonu ML modelů při nasazení. Kromě změn na bojišti vyšly najevo i hlubší problémy s daty, včetně kaskádových účinků raných rozhodnutí o procesování dat a jejich nevyváženosti. Celkově lze říci, že současné metody klasifikace obrazu nefungují dobře na dostupných nedokonalých datech.
|
|
|
Podpora deskové hry Nemesis na mobilním telefonu s OS Android
Štěpánek, Miroslav ; Švec, Tomáš (oponent) ; Smrž, Pavel (vedoucí práce)
Cílem této práce je vytvořit mobilní aplikaci k deskové hře Nemesis určenou na systém Android, která umožní uživateli zjistit informace o herních komponentech při hře. Práce se skládá ze dvou hlavních částí, první je model vytvořený za pomoci knihovny Tensorflow, který zajišťuje detekci těchto komponent. Druhou je pak samotná aplikace, která dostává výsledky od dříve zmíněného modelu a zobrazuje výsledné informace uživateli. Toto usnadňuje uživateli hru a pomáhá ji i urychlit. Výsledný systém je možné modifikovat, tak aby byla aplikace využitelná i pro jiné hry.
|
|
|
Využití umělých neuronových sítí v klasifikaci land cover
Oubrechtová, Veronika ; Štych, Přemysl (vedoucí práce) ; Kupková, Lucie (oponent)
Využití umělých neuronových sítí v klasifikaci land cover Abstrakt Předmětem této práce je klasifikace družicových snímků vysokého prostorového rozlišení, které jsou využity k detekci land cover. První část práce podává informace o využívaných metodách během procesu klasifikace s důrazem na umělé neuronové sítě. Ty jsou v praktické části práce zpracovány pro klasifikaci družicového snímku SPOT 5. Čtenář tak získá přehled o možnostech využití umělých neuronových sítí při klasifikaci land cover. Klíčová slova: dálkový průzkum Země, klasifikace obrazu, umělé neuronové sítě, SPOT
|
host ::
RSS.