|
|
Modul pro rozpoznávání nápisů pro robota
Hartman, Zdeněk ; Materna, Zdeněk (oponent) ; Španěl, Michal (vedoucí práce)
Tato bakalářská práce popisuje návrh modulu pro detekci a rozpoznávání nápisů pro použití v robotických systémech. K detekci znaků je použita Stroke Width transformace, která je aplikována na vstupní hranový obraz. Ve výstupním obraze po Stroke Width transfromaci jsou nalezeny spojité oblasti. K seskupení znaků do slov a detekci orientace slov je použita Houghova transformace aplikována na vytvořený binární obraz, který obsahuje body odpovídající pozici nalezených spojitých oblastí. K rozpoznání nápisů v detekovaných oblastech je použita knihovna Tesseract. Před provedení rozpoznávání jsou detekované oblasti extrahovány a natočeny do vodorovné polohy. Takto navržený detektor dokáže detekovat i natočený text. Podařilo se dosáhnout úspěšnosti detekce 75% nad testovací sadou "informační tabule".
|
|
| |
|
|
Aktivní učení pro rozpoznávání textu
Kohút, Jan ; Kolář, Martin (oponent) ; Hradiš, Michal (vedoucí práce)
Cílem této práce je navrhnout metody aktivního učení a provést experimenty nad datovou sadou historických dokumentů. Pro experimenty využívám rozsáhlý a rozmanitý dataset IMPACT o více než jednom milionu řádků. Pomocí neuronových sítí provádím kontrolu vhodnosti řádků, tzn. čitelnosti a správnosti přepisů. Nejprve srovnávám architektury neuronových sítí, a to jak sítě čistě konvoluční, tak sítě obsahující obousměrnou rekurentní vrstvu LSTM. Dále se zabývám přístupy k učení neuronových sítí pomocí aktivního učení a samotnými metodami aktivního učení. Aktivní učení využívám zejména pro adaptaci neuronových sítí na jiné textové dokumenty, než na kterých byla původní síť učena. Aktivní učení tedy slouží k výběru vhodných adaptačních dat. Čistě konvoluční neuronové sítě dosahují úspěšnosti 98.6 %, rekurentní sítě pak 99.5 %. Chyba při adaptaci s využitím aktivního učení je o 26 % nižší než chyba při náhodném výběru dat.
|
|
|
Načítání dat z tištěných dokladů
Macháč, Bohuslav ; Kolomazník, Jan (vedoucí práce) ; Krajíček, Václav (oponent)
V této práci jsem vyvinul aplikaci schopnou extrahovat data z naskenovaných dokumentů. Pro optické rozpoznávání znaků jsem použil externí OCR engine Tesseract, který lze snadno vyměnit. Pro jednotlivé doklady používám šablony s informacemi o datových oblastech a jejich datových typech. Pokusil jsem se automatizovat většinu kroků nutných pro extrakci dat a vytvoření nové datové šablony. Uživatel má možnost opravit nebo změnit výsledky těchto kroků. Pro výstup z aplikace jsem implementoval komponenty, které exportují data do formátů XML, HTML a do obyčejného textu. Další komponenty mohou být snadno přidány, aby přizpůsobily aplikaci různým použitím.
|
|
|
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%.
|
|
|
Adaptace neuronových sítí na cílového pisatele
Sekula, Jakub ; Hradiš, Michal (oponent) ; Kohút, Jan (vedoucí práce)
Tato bakalářská práce se zabývá adaptací neuronových sítí na pisatele s cílem zlepšení rozpoznání ručně psaného písma tohoto pisatele. Metoda, kterou používám, je rychlá, vyžaduje malou trénovací množinu dat a využívá regularizaci, která se snaží udržet distribuci regularizovaných vah adaptační sítě podobnou té z předadaptační sítě. Tuto metodu jsem testoval nad datasetem tištěných textů IMPACT a datasetem ručně psaných textů. Nad datasetem ručně psaných textů se mi na dvou denících podařilo snížit chybovost z počátečních 10,82 % a 1,82 % na chybovost 8,48 % a 0,77 % v rámci malého počtu adaptačních iterací a připoužití malého množství trénovacích řádků. Na datasetu IMPACT se mi podařilo snížit chybovost nad polské historické písmo z počáteční chybovosti 32,88 % na 5,30 %.
|
|
|
Aktivní učení pro rozpoznávání textu
Kohút, Jan ; Kolář, Martin (oponent) ; Hradiš, Michal (vedoucí práce)
Cílem této práce je navrhnout metody aktivního učení a provést experimenty nad datovou sadou historických dokumentů. Pro experimenty využívám rozsáhlý a rozmanitý dataset IMPACT o více než jednom milionu řádků. Pomocí neuronových sítí provádím kontrolu vhodnosti řádků, tzn. čitelnosti a správnosti přepisů. Nejprve srovnávám architektury neuronových sítí, a to jak sítě čistě konvoluční, tak sítě obsahující obousměrnou rekurentní vrstvu LSTM. Dále se zabývám přístupy k učení neuronových sítí pomocí aktivního učení a samotnými metodami aktivního učení. Aktivní učení využívám zejména pro adaptaci neuronových sítí na jiné textové dokumenty, než na kterých byla původní síť učena. Aktivní učení tedy slouží k výběru vhodných adaptačních dat. Čistě konvoluční neuronové sítě dosahují úspěšnosti 98.6 %, rekurentní sítě pak 99.5 %. Chyba při adaptaci s využitím aktivního učení je o 26 % nižší než chyba při náhodném výběru dat.
|
|
|
Metody využívané pro OCR
Čermák, Marek ; Marada, Tomáš (oponent) ; Zuth, Daniel (vedoucí práce)
Ačkoli je OCR (Optické rozpoznávání znaků – Optical Character Recognition) problematikou sahající do druhé poloviny dvacátého století, dostalo se mu v současnosti velké pozornosti v souvislosti s počítačovým viděním a detekcí objektů. V této práci bude popsána historie OCR a stručně budou zmíněny techniky doposud používané pro OCR. Pozornost bude soustředěna na současné metody rozpoznávání textu, tedy na soft computing. Protože v této oblasti zastávají největší roli neuronové sítě, budou zmíněny a popsány některé architektury a následně bude realizován software pro rozpoznávání alfanumerických znaků pomocí konvoluční neuronové sítě.
|
|
|
Modul do serverové aplikace pro rozpoznávání identifikačních údajů z osobních dokladů
BARTYZAL, Miroslav
Diplomová práce se zabývá tvorbou serverového systému pro automatizované čtení identifikačních údajů z fotografií osobních dokladů. Zaměřuje se na zpracování fotografií pořízených z fotoaparátů mobilních zařízení s ohledem na různou kvalitu jejich obrazu. Předmětem práce jsou témata jako lokalizace textu v obraze a rozpoznávání textu pomocí neuronové sítě. Výsledný systém je testován pomocí klientské aplikace, která by vytvořena pro operační systém Android.
|
|
|
Mobilní systém pro rozpoznání textu na Androidu
Tomešek, Jan ; Kolář, Martin (oponent) ; Zemčík, Pavel (vedoucí práce)
Tato práce se zabývá tvorbou mobilní knihovny pro předzpracování obrazu s textem, která představuje součást systému pro rozpoznávání textu. Knihovna je realizována s důrazem na obecnost použití, efektivitu a přenositelnost. V rámci práce byla vytvořena knihovna, která poskytuje řadu algoritmů především pro hodnocení kvality obrazu a detekci textu, jež umožňují výrazně snížit objem přenášených dat a zrychlit a zpřesnit proces rozpoznávání. Vytvořena byla také příkladová aplikace pro platformu Android, která dokáže analyzovat složení potravin uváděné na jejich obalech. Celkově tak knihovna (systém) zjednodušuje tvorbu mobilních aplikací se zaměřením na extrakci a analýzu textu. Mobilní aplikace pak poskytuje pohodlný způsob ověření škodlivosti potravin. Čtenáři práce nabízí přehled současných řešení i nástrojů dostupných v této oblasti, poskytuje rozbor významných algoritmů předzpracování obrazu a provádí jej budováním knihovny a aplikace pro mobilní zařízení.
|
host ::
RSS.