|
| |
|
|
Rozpoznávání historických textů pomocí hlubokých neuronových sítí
Kišš, Martin ; Zemčík, Pavel (oponent) ; Hradiš, Michal (vedoucí práce)
Cílem této práce je vytvořit nástroj pro automatický přepis textu historických dokumentů. Práce je zaměřena především na rozpoznávání textů pocházejících z období novověku psané písmem zvané Fraktura. Problém je řešen pomocí nově navržených rekurentních konvolučních neuronových sítí a také pomocí sítě zvané Spatial Transformer Network. Součástí řešení je také implementovaný generátor umělých historických textů. Pomocí tohoto generátoru je vytvořena umělá datová sada, na níž je natrénována konvoluční neuronová síť pro rozpoznávání řádků. Tato síť je následně otestována na reálných historických řádcích textu, na kterých natrénovaná sít dosahuje úspešnosti až 89.0 % znakové přesnosti. Přínosem této práce je především nově navržená neuronová síť pro rozpoznávání řádků textu a implementovaný generátor umělých historických textů, s jehož pomocí je možné natrénovat neuronovou síť tak, aby zvládala rozpoznávat reálné historické řádky textu.
|
|
|
Řízení virtuálního robota pomocí EEG
Drla, Michal ; Goldmann, Tomáš (oponent) ; Tinka, Jan (vedoucí práce)
Tato práce si kladla za cíl implementovat aplikaci, ve které je možné ovládat virtuálního robota pomocí EEG. V práci je vysvětlena teorie nutná k pochopení, jak fungují BCI systémy, které zpracovávají signály EEG. Jsou zde uvedeny nejen základy analýzy EEG, ale také ukazuje biologii lidského mozku a signály, které lze získat. Další důležitou části je teorie neuronových sítí, které byly v implementaci využity. V implementaci jsou popsané skripty, které byly využity pro sbírání dat, návrh neuronové sítě a tvorba demonstrační aplikace. Výsledky testování jsou uspokojivé. Neuronová síť vyhodnocovala správně signály EEG a uživatel byl schopen ovládat virtuálního robota.
|
|
|
Rozpoznávání historických textů pomocí hlubokých neuronových sítí
Vešelíny, Peter ; Kolář, Martin (oponent) ; Kišš, Martin (vedoucí práce)
Táto práca sa zaoberá rozpoznávaním riadkov z historických textov. Historické texty pochádzajú z obdobia od 17. až 19 storočia a sú napísané pomocou fraktúry. Pri rozpoznávaní písma sa používa architektúra neurónovej siete zvaná sequence-to-sequence . Táto architektúra vychádza z modelu kodér-dekodér a používa mechanizmus attention . V rámci práce bola z textov, pochádzajúcich z archívu Deutsches Textarchiv , vytvorená dátová sada. Tento archív obsahuje 3 897 rôznych nemeckých diel, ku ktorým sú dostupné snímky strán a ich prepisy. Vytvorená dátová sada sa následne používa pri trénovaní a experimentovaní s neurónovou sieťou. V rámci experimentov sú skúmané rôzne modely konvolučných sietí, vplyv hyperparametrov siete a účinok pozičného kódovania na výsledky rozpoznávania. Výsledný model dokáže rozpoznať znaky s presnosťou 99,63 %. Prínosom tejto práce je spomínaná dátová sada a neurónová sieť, ktorá sa môže použivať pri rozpoznávaní historických dokumentov.
|
|
|
Prořezávání hlubokých neuronových sítí pro rozpoznávání textu
Petráš, Simon ; Hradiš, Michal (oponent) ; Kišš, Martin (vedoucí práce)
Dokument predstavuje prácu na prerezávanie neurónovej siete slúžiacej na rozpoznávanie ručne písaného textu. Cieľom práce je vytvoriť program na prerezávanie danej siete. Prerezávali sme dva typy neurónových sieti a to konvolučné a rekurentné neurónové siete. Pri prerezávaní konvolučnej časti bolo experimentované s rôznymi kritériami výberu parametrov. Výsledkom práce je model, ktorý dosahuje 20% zrýchlenie pri znížení presnosti siete iba o 0.4%, ale aj množstvo iných modelov, ktoré sú rýchlejšie ale nadobúdajú aj vyššej nepresnosti.
|
|
| |
|
|
Detekce objektů a sledování trasy pohybu účastníků provozu pro potřeby inteligentních dopravních uzlů
Vymazal, Tomáš ; Kiac, Martin (oponent) ; Burget, Radim (vedoucí práce)
Diplomová práce se zaměřuje na problematiku detekce objektů. Je navržen experiment, který posuzuje detekční modely YOLOv5, YOLOR, Scaled-YOLOv4 a EfficientDet a po- rovnává jejich vlastnosti (rychlost detekce, pamětové nároky, přesnost a jistotu detekce). K tomuto účelu je vytvořena vlastní datová sada, na které jsou tyto parametry zkoumány. Ze studie vyplývá, že nejlépe je na tom síť YOLOv5. Pro trasování objektů je použit deep SORT, který je důležitý pro následné získání trénovacích dat z videozáznamu pro predikci pohybu objektů. Přidanou hodnotou je návrh predikčního algoritmu, který je založený na polynomiálním regresním modelu.
|
|
|
Zvyšování konzistence v datových sadách pro rozpoznávání textu
Tvarožný, Matúš ; Hradiš, Michal (oponent) ; Kišš, Martin (vedoucí práce)
Táto práca sa zaoberá zvyšovaním konzistencie dátových sád pre rozpoznávanie textu. V tejto práci sú popísane problémy, ktoré nekonzistenciu spôsobujú a následne sú predstavené riešenia na jej odstránenie. Skúmaný je vplyv vlastností polygónov definujúcich ohraničenie riadkov a teda to ako upravená verzia dátovej sady, ktorá je zložená z ideálnych variant riadkov ovplyvnila presnosť modelu. Ďalej sa práca zameriava na detekciu a následné odstránenie alebo upravenie riadkov, ktorých prepis ground truth nekorešponduje so skutočným textom, ktorý sa na nich nachádza. Experimentovaním sa ukázalo, že odstránenie vizuálnej nekonzistencie na trénovacej sade nemá zásadný vplyv na natrénovanosť modelu, za to poupravením testovacej sady sa presnosť OCR modelu zlepšila o 1.1\% CER. Upravením dátovej sady tak, aby neobsahovala navzájom nekonzistentné dvojice rozpoznávaného textu a príslušnej ground truth, sa model po opätovnom natrénovaní zlepšil maximálne len o 0.2\% CER. Hlavným zistením tejto práce je predovšetkým preukázaný priaznivý účinok odstránenia nekonzistencie na testovacích sadách, vďaka ktorému je možné zistiť reálnejšiu chybovosť OCR modelu.
|
|
|
Prořezávání hlubokých neuronových sítí pro rozpoznávání textu
Petráš, Simon ; Hradiš, Michal (oponent) ; Kišš, Martin (vedoucí práce)
Dokument predstavuje prácu na prerezávanie neurónovej siete slúžiacej na rozpoznávanie ručne písaného textu. Cieľom práce je vytvoriť program na prerezávanie danej siete. Prerezávali sme dva typy neurónových sieti a to konvolučné a rekurentné neurónové siete. Pri prerezávaní konvolučnej časti bolo experimentované s rôznymi kritériami výberu parametrov. Výsledkom práce je model, ktorý dosahuje 20% zrýchlenie pri znížení presnosti siete iba o 0.4%, ale aj množstvo iných modelov, ktoré sú rýchlejšie ale nadobúdajú aj vyššej nepresnosti.
|
|
|
Řízení virtuálního robota pomocí EEG
Drla, Michal ; Goldmann, Tomáš (oponent) ; Tinka, Jan (vedoucí práce)
Tato práce si kladla za cíl implementovat aplikaci, ve které je možné ovládat virtuálního robota pomocí EEG. V práci je vysvětlena teorie nutná k pochopení, jak fungují BCI systémy, které zpracovávají signály EEG. Jsou zde uvedeny nejen základy analýzy EEG, ale také ukazuje biologii lidského mozku a signály, které lze získat. Další důležitou části je teorie neuronových sítí, které byly v implementaci využity. V implementaci jsou popsané skripty, které byly využity pro sbírání dat, návrh neuronové sítě a tvorba demonstrační aplikace. Výsledky testování jsou uspokojivé. Neuronová síť vyhodnocovala správně signály EEG a uživatel byl schopen ovládat virtuálního robota.
|
host ::
RSS.