|
|
Klasifikace emailové komunikace
Piják, Marek ; Herout, Adam (oponent) ; Szőke, Igor (vedoucí práce)
Tato diplomová práce se zabývá vytvořením klasifikátoru, který bude schopen rozpoznat emailovou zprávu společnosti Topefekt.s.r.o a zařadit ji do korespondující klasifikační třídy. Tento projekt bude využívat řadu nejpoužívanějších klasifikačních metod včetně strojového učení. Jako součást této práce bude i ohodnocení úspěšnosti jednotlivých metod.
|
|
|
Sledování hlídaného prostoru a detekce narušení bezpečnosti kamerovým systémem
Goldmann, Tomáš ; Drahanský, Martin (oponent) ; Orság, Filip (vedoucí práce)
Tato práce obsahuje popis základních systému používaných pro sledování hlídaného prostoru. Ve stěžejní části práce jsem představil metody počítačového vidění vhodné pro detekci a klasifikaci objektů. Dále jsem na základě metody odečítání pozadí realizoval algoritmus pro detekci lidí, který využívá pro popis objektů histogram orientovaných gradientů a pro klasifikaci SVM klasifikátor. V poslední části práce se zabývám porovnáním deskriptoru založeného na histogramu orientovaných gradientů se SIFT deskriptory a vyhodnocením preciznosti detekčního algoritmu.
|
|
|
Rozšiřující modul platformy 3D Slicer pro segmentaci tomografických obrazů
Chalupa, Daniel ; Jakubíček, Roman (oponent) ; Mikulka, Jan (vedoucí práce)
Tato práce pojednává o využití strojového učení při úlohách klasifikace medicínských obrazů. Obsahuje literární rešerši pojednávající o klasických a moderních metodách segmentace obrazů. Hlavním cílem práce je navržení a vytvoření rozšíření pro platformu 3D Slicer. Rozšíření využívá strojové učení ke klasifikaci obrazů dle zadaných parametrů. Testování rozšíření probíhá na reálných tomografických obrazech z nukleární magnetické rezonance a sleduje přesnost klasifikace a využitelnost v praxi.
|
|
|
Analytický nástroj pro generování bicích triggerů z downmix záznamu
Konzal, Jan ; Mucha, Ján (oponent) ; Přikryl, Lubor (vedoucí práce)
Tato diplomová práce se zabývá návrhem a realizací nástroje pro generování časových triggerů bicí soupravy z downmix záznamu. V práci je popsáno předzpracování vstupního zvukového signálu a metody pro klasifikaci úderů. Rozeznávání úderů je založeno na podobnosti signálů ve frekvenční oblasti. Pro snížení počtu dimenzí a nalezení charakteristických vlastností vstupních dat byla využita analýza hlavních komponent (PCA). Pro klasifikaci dat do jednotlivých tříd představující části bicí soupravy byla využita metoda podpůrných vektorů (SVM). Program byl realizován v prostředí Matlab. Klasifikační model byl vytrénován na sadě 728 vzorků úderů pro sedm kategorií (velký buben, malý buben, hi-hat, crash, ride, velký buben + hi-hat, malý buben + hi-hat). Systém vykazuje úspěšnost rozeznání úderu 75 %.
|
|
|
Klasifikace objektů v obraze podle textury
Wozniak, Jan ; Hradiš, Michal (oponent) ; Španěl, Michal (vedoucí práce)
Práce se zabývá analýzou texturních příznaků a klasi fikací známých objektů. Poskytuje základní přehled běžně používaných texturních příznaků a principů jejich klasi fikace, přičemž užší pozornost je věnována extrakci local binary patterns a klasifi kátoru založeném na algoritmu support vector machine. Práce také obsahuje vyhodnocení dosažených výsledků pomocí statistických metod jackkni ngu a F-measure.
|
|
|
Učení a detekce objektů různých tříd v obraze
Chrápek, David ; Hradiš, Michal (oponent) ; Beran, Vítězslav (vedoucí práce)
Tato práce je zaměřena na učení a detekci objektů v obraze a v sekvenci po sobě jdoucích obrazů. Konkrétněji na učení a rozpoznávání lidí nebo jejich částí v případě, že jsou částečně zastíněni, s ohledem na možné využití detektoru na robotických platformách. Práce se zaměřuje na využití obrazových příznaků nazývaných Histogramy Orientovaných Gradientů (HOG), které jsou schopny docela dobře pracovat s různými pózami lidí v obraze. Člověk je rozdělen na několik částí a tyto části jsou detekovány samostatně. Následně je použit systém hlasování jednotlivých částí, které byly detekovány, který určuje výsledné pozice osob v obraze. Pro potřeby natrénování tohoto detektoru je využito lineárního SVM. Dále je při detekci ze sekvence po sobě jdoucích snímků použit Kalmanův filtr, který se stará o stabilizaci výsledné detekce.
|
|
|
Dolovací modul systému pro dolování z dat na platformě NetBeans
Výtvar, Jaromír ; Křivka, Zbyněk (oponent) ; Zendulka, Jaroslav (vedoucí práce)
Cílem této diplomové práce je získat přehled o procesu získávání znalostí z databází a analýza dolovacího systému vyvíjeného na FIT VUT v Brně na platformě NetBeans za účelem vytvoření nového dolovacího modulu. Ze získaných znalostí bylo rozhodnuto o vytvoření modulu pro dolování odlehlých hodnot a doplnění existujícího modulu regrese o nový algoritmus vícenásobné lineární regrese založený na zobecněných lineárních modelech. Nové dolovací metody využívají existující řešení na straně Oracle data mining.
|
|
|
Detekce fibrilace síní v EKG
Prokopová, Ivona ; Kolářová, Jana (oponent) ; Ronzhina, Marina (vedoucí práce)
Fibrilace síní patří mezi nejčastěji se vyskytující poruchy srdečního rytmu, vyznačující stále vzrůstající prevalencí a incidencí v ČR i ve světě. Výskyt fibrilace síní je uváděn na úrovni 2-4 % populace, avšak vzhledem k často asymptomatickému průběhu je reálná prevalence ještě vyšší. Cílem této práce je automatická detekce fibrilace síní v EKG záznamu. V praktické části této práci je navržen algoritmus pro detekci fibrilace síní. Pro samotnou detekci bylo využito metody k-nearest neighbor, metody podpůrných vektorů a vícevrstvé neuronové sítě ke klasifikaci EKG signálů pomocí příznaků poukazující na variabilitu RR intervalů a přítomnost vlny P v těchto EKG záznamech. Nejlepší detekce dosáhl model využívající klasifikaci pomocí vícevrstvé neuronové sítě se dvěma skrytými vrstvami. Výsledky ukazatelů úspěšnosti Senzitivita 91,23 %, Specificita 99,20 %, PPV 91,23 %, F-measure 91,23 % a Accuracy 98,53 %.
|
|
|
Biologicky inspirované metody rozpoznávání objektů
Truhlář, Martin ; Hradiš, Michal (oponent) ; Juránek, Roman (vedoucí práce)
V tomto dokumentu je vysvětlena metoda pro biologicky inspirované rozpoznávání obrazů. Dále v práci jsou objasněny postupy zpracování obrazů a jednotlivé fáze extrakce informací pro klasifikaci. Pro klasifikaci je použita klasifikační metoda Support Vector Machine, ale jsou zde popsány i další klasifikační metody. Je vysvětlen způsob testování a samotná práce s metodou. V závěru jsou shrnuty výsledky pro jednotlivá nastavení modelu klasifikátoru a jejich výhody i nevýhody.
|
|
|
Klasifikace malých nekódujících RNA
Žigárdi, Tomáš ; Martínek, Tomáš (oponent) ; Vogel, Ivan (vedoucí práce)
Tato diplomová práce opisuje návrh a implementaci nástroje pro klasifikaci rostlinných microRNA bez genomu. Použity jsou vlastnosti mature a star sekvencí v microRNA duplexech. Implementována metoda je založena na shlukování RNA sekvencí (nástrojem CD-HIT), hlavne pro redukci jejich počtu. Vybraní reprezentanti z jednotlivých shluků jsou klasifikováni použitím support vector machine. Výkonnost klasifikace je víc než 96% (na základě metody cross-validation, využitím trénovacích dat).
|
host ::
RSS.