|
|
Biometrie s využitím snímků sítnice s nízkým rozlišením
Smrčková, Markéta ; Odstrčilík, Jan (oponent) ; Kolář, Radim (vedoucí práce)
Tato práce se zabývá návrhem metody pro biometrickou identifikaci ze snímků oční sítnice. První část práce je zaměřena především na principy a pojmy, využívané v biometrii, anatomii oka a metody pro biometrii sítnice. Je zde popsána podstata neuronových sítí a hlubokého učení, které budou v praktické části využity. V poslední části se práce věnuje popisu zvoleného identifikačního algoritmu, jeho implementaci a zhodnocení výsledků biometrického systému.
|
|
|
Detekce zahalených tváří v obraze
Malý, Ondřej ; Kříž, Petr (oponent) ; Přinosil, Jiří (vedoucí práce)
Cílem práce je nastudovat a otestovat současné metody pro detekování tváře na zahalených tvářích a vyhodnotit výsledky. V první kapitole je teoreticky rozebráno 5 zvolených metod a v druhé kapitole jsou jednotlivé metody vyhodnoceny, jak pro soubor Wider Face, tak pro vlastní soubor fotek se zahalenými tvářemi. Následně je metoda Dlib CNN vylepšena pro lepší detekci zahalených tváří a přeprogramována pro detekci míry zahalení z testovaného obrázku
|
|
|
Automatická detekce fibrilace síní pomocí metod hlubokého učení
Budíková, Barbora ; Ronzhina, Marina (oponent) ; Hejč, Jakub (vedoucí práce)
Síňová fibrilace je arytmie, která se běžně detekuje z křivky EKG pomocí jejích specifických projevů. Její časné rozpoznání je klíčové k prevenci závažnějších stavů. Automatická detekce fibrilace síní se v posledních letech stále častěji provádí pomocí metod hlubokého učení. Tato práce představuje detekci fibrilace síní v křivce 12svodového EKG pomocí hluboké konvoluční neuronové sítě. V první části práce jsou představeny teoretické souvislosti k práci potřebné, dále je detailně popsán vytvořený algoritmus. Samotná detekce je realizována programem implementovaným v jazyce Python ve dvou algoritmických podobách jejichž přesnost je hodnocena pomocí metrik přesnost (Accuracy) a F1 skóre. Dosažené výsledky jsou diskutovány, vzájemné porovnány a srovnány s výsledky publikací zabývajících se obdobnou problematikou.
|
|
|
Traffic sign classification by deep learning
Harmanec, Adam ; Blažek, Jan (vedoucí práce) ; Kratochvíl, Miroslav (oponent)
Klasifikace dopravních značek je zkoumána již řadu letu a bylo dosáhnuto velmi dobrých výsledků. My předkládáme analýzu používaných datasetů jako velmi omezených na použití v reálných situacích. V této tezi analyzujeme dostupné datasety a jejich sloučením a rozšířením o nová data vytvoříme robustnější a obsáhlejší dataset použitelný v České republice. Následně navrhneme architekturu konvoluční neuronové sítě a spolu s několika technikami předzpracování ji otestujeme na novém datasetu dosahujíc přesnosti přes 99%.
|
|
|
Komprese obrazu pomocí neuronových sítí
Teuer, Lukáš ; Sochor, Jakub (oponent) ; Hradiš, Michal (vedoucí práce)
Tento dokument se zabývá kompresí obrazu za pomoci různých druhů neuronových sítí. Jsou zde probrány vlastnosti použitých druhů neuronových sítí, jako jsou konvoluční a rekurentní neuronové sítě. V dokumentu jsou ukázány a podrobně popsány architektury neuronových sítí, které se dají použit ke kompresi obrazu, a vysvětluje, jakým způsobem pracují. Dále jsou zde provedeny experimenty nad různými strukturami a parametry neuronových sítí za cílem najít nejvhodnější vlastnosti sítě pro kompresi obrazu. Navrhují se zde nové koncepty pro kompresi obrazu pomocí neuronových sítí, které jsou hned otestovány. Na závěr je zde navržena síť skládající se z nejlepších konceptů a částí otestovaných během experimentování.
|
|
|
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%.
|
|
|
Použití metod hlubokého učení v úlohách zpracování obrazu
Polášková, Lenka ; Marcoň, Petr (oponent) ; Mikulka, Jan (vedoucí práce)
Učení rozpoznávání objektů pomocí neuronové sítě spočívá v napodobení chování živočišné neuronové sítě. Přestože nejsou ani zdaleka známy detaily fungování mozku, týmy složené z vědců z různých oborů medicíny a techniky se snaží po těchto detailech pátrat. Díky velikánům jako je Geoffrey Hinton věda v tomto oboru velice pokročila. Konvoluční neuronové sítě, které se vycházejí z živočišného modelu optického systému, lze s výhodou použít pro segmentování obrazu, a proto byly vybrány pro segmentaci nádorů a edémů z obrazů magnetické resonance. Modely neuronové sítě, použité v této práci, dosáhly úspěšnosti 41\% procent v segmentaci edémů a 79\% v segmentaci nádorů z mozkové tkáně.
|
|
|
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.
|
|
|
Rozpoznávání znaků z realných scén pomocí neuronových sítí
Fiala, Petr ; Neumann, Lukáš (vedoucí práce) ; Berka, Petr (oponent)
Tato práce se zabývá úlohou rozpoznávání znaků z reálných scén, které je věnována značná pozornost s rozvojem moderních technologií. Cílem studie je k rozpoznávání použít algoritmus, který dosahuje aktuálně nejlepších výsledků na standardních datových sadách. Vybraným modelem je konvoluční síť s deep architekturou, jejíž aplikace na zadanou úlohu nebyla dosud publikována. Implementované řešení navazuje na teoretickou část, která poskytuje ucelený přehled dané problematiky. V praktické části se vyskytují dva typy neuronových sítí: vícevrstvý perceptron a zmíněný model. Z porovnání výsledků těchto dvou typů architektur na první datové sadě vychází výrazně lépe použití komplexní struktury konvoluční sítě. Tento model byl dále ověřen na dvou veřejných datových sadách, které korespondují se zadáním úlohy. Zároveň bylo vyzkoušeno několik modifikací sítě a použití různých úprav vstupních dat s cílem získat optimální řešení v závislosti na struktuře dat. Prezentované řešení dokázalo poskytnout srovnatelnou úspěšnost predikce v porovnání s nejlepšími dosaženými výsledky, při použití syntetických učících vzorů a ověřilo možnost využití této architektury pro danou úlohu. V závěru studie jsou zmíněny možné rozšíření a vylepšení modelu, která by mohla vést k dalšímu snížení klasifikační chyby.
|
host ::
RSS.