|
|
Time Series Forecasting Using Maching Learning for Network Communication
Kašpárek, Aleš ; Burgetová, Ivana (referee) ; Matoušek, Petr (advisor)
Tato diplomová práce zkoumá komplexní svět síťových komunikačních systémů, které vyžadují pokročilé metody předpovědi, aby fungovaly efektivně, spolehlivě a bezpečně. Se sítěmi stále složitější, přesné předvídání podmínek sítě a jejího provozu je rozhodující pro plánování, řízení zdrojů, detekci anomálií a zlepšování systémů. Práce začíná představením konceptu časových řad dat, který pokládá základ pro pochopení dynamiky v síťových systémech. Pokračuje tím, že představuje řadu analytických nástrojů a technik pro rozbor tohoto druhu dat, se zvláštním zaměřením na tradiční statistické metody. Mezi nimi je modelům Moving Average (MA), Auto Regressive (AR) a Auto Regresive Integrated Moving Average (ARIMA) věnována zvláštní pozornost pro své schopnosti v předpovídání budoucích stavů. Posun od tradičního předpovídání k používání strojového učení (ML) je ústředním bodem této práce. Práce zkoumá několik přístupů strojového učení (ML), jako jsou sítě Long Short-Term Memory (LSTM), konvoluční neuronové sítě (CNN), aby ukázala, jak mohou tyto metody identifikovat složité vzorce v síťovém provozu.
|
|
|
Video Denoising Using Deep Learning
Naumenko, Maksim ; Hradiš, Michal (referee) ; Španěl, Michal (advisor)
V éře digitálních multimédií kvalita videoobsahu významně ovlivňuje uživatelský zážitek a výkon systému, zejména v oblastech, jako je zábava a zpracování videa a obrazu. Tato práce se zabývá přetrvávajícím problémem šumu ve videu, který zhoršuje jeho kvalitu, a to pomocí pokročilých technik hlubokého učení. Nejprve jsou přezkoumány tradiční přístupy k odstraňování šumu ve videu, aby bylo možné nastínit základní koncepty denoisingu. Následně jsou studovány dva referenční modely, FastDVDNet a ViDeNN, za účelem seznámení se s architekturami neuronových sítí. Hlavním výsledkem této práce je vývoj robustního systému pro odstraňování šumu ve videu, který je založen na architektuře UNet inspirované těmito referenčními modely. V průběhu práce jsou vysvětleny, implementovány a vyhodnoceny navrhované modely UNet Baseline, ResUNet a ResUNet Temporal, aby byla prokázána jejich účinnost v odstraňování šumu ve videu.
|
|
|
Detection of Material Surface Damage Based on a Photograph
Valko, Marek ; Malaník, Petr (referee) ; Dyk, Tomáš (advisor)
This thesis focuses on the detection of surface defects from photograph using computer vision techniques, convolutional neural networks and models for object detection such as Faster R-CNN and YOLO. Different methods of surface damage detection, image processing, neural networks and machine learning are described in detail. The thesis also compares the performance of these models in identification of surface defects on wood and steel using different augmentations of these datasets.
|
|
|
Detection of Nudity in an Image Data
Pešková, Daniela ; Orság, Filip (referee) ; Goldmann, Tomáš (advisor)
Zameranie tejto práce je vytvorenie nástroja schopného detekovať nahotu v obrazových dátach. To je dosiahnuté natrénovaním modelu na detekciu inkriminovaných častí tela a vytvorením algoritmu schopného detekovať pokožku. Výsledné nástroje môžu byť použité pre automatickú detekciu nahoty v obrázkoch. Prvá časť práce sa zameriava na teóriu neurónových sietí a počítačového videnia so zameraním na detekciu pokožky. Druhá časť hovorí o prístupe zvolenom pre vytvorenie datasetu, procese tvorby a trénovania modelu schopného detekovať nahotu v obraze, ako aj o algoritmickom prístupe.
|
|
|
Evolutionary Design of Convolutional Neural Networks Utilizing a Supernet
Lamačka, Zbyněk ; Piňos, Michal (referee) ; Sekanina, Lukáš (advisor)
This work explores the possibilities of automated design and optimization of convolutional neural networks (CNNs) using evolutionary algorithms with the concept of Neural Architecture Search (NAS). NAS methods facilitate the work of neural network architects and allow access to neural networks by people who would not normally have access to them. Architectures that are created by automated methods are able to outperform architectures that were created by experienced architects. These methods are not bound by conventional design approaches, and therefore innovative architectures can emerge. The goal of this work is to design and implement a neuroevolutionary method using a supernetwork. The supernetwork concept aims to make the process of automatic network design faster and cheaper. This method will be evaluated based on the architectures it generates. The evaluation of the architectures considers two criteria -- accuracy and complexity of the network. The ImageNet dataset is used for the evaluation.
|
|
|
ECG biometrics using deep learning
Repčík, Tomáš ; Mézl, Martin (referee) ; Vičar, Tomáš (advisor)
This diploma thesis makes a comprehensive overview of various approaches to the usage of ECG as biometry. ECG of people was measured with ECG capable wristband for training and testing purposes. The measurements were gathered during the four-month period. The neural networks of various types were trained on these data, and the feedforward convolutional neural networks have the best performance. These models reached a true acceptance rate 98,9% and a true rejection rate 99,5% on average. After training, the models have been visualised with a variety of techniques and essentials parts of ECG for verification have been described. The thesis also describes the first implementation of the Android application.
|
|
|
Forensic method for recognizing the authenticity of artworks using multispectral analysis
Lánský, David ; Mezina, Anzhelika (referee) ; Burget, Radim (advisor)
Detecting forgeries is crucial for protecting the art market and preserving the authenticity of artworks. This thesis focuses on forgery detection using convolutional neural networks (CNNs). The main goal was to develop advanced methods capable of identifying anomalies, and thus potential forgeries, in images with their X-ray photographs. During this research, U-net architectures and binary semantic segmentation techniques were applied, enabling successful anomaly detection. The main contribution of this work is 112 models of four different U-net and U-net++ architectures, which effectively highlight anomalies through the method of binary semantic segmentation. The models were trained on a set of images with their synthetically created X-ray images and artificially generated anomalies. In this way, the models can detect lead spots, nails, layers of hidden paintings, and other defects, while also being able to ignore insignificant elements, such as picture frames and overexposed X-ray images. The testing of the models occurred in two phases. In the first phase, they were evaluated using the IoU metric on a set of 400 synthetically generated data, where in the best cases, they achieved up to 83.5 % IoU. In the second phase, they were evaluated subjectively on images with real X-rays and natural anomalies. This approach combines traditional X-ray techniques with modern computer vision, revealing deviations that might be overlooked during standard visual inspection. By bridging these technologies, this work opens new possibilities for the protection of art collections and provides a solid foundation for further research in the field of art forgery detection using artificial intelligence.
|
|
|
Generative Neural Network for Creating Synthetic Photorealistic Images
Hora, Adam ; Přinosil, Jiří (referee) ; Říha, Kamil (advisor)
The main objective of this work is to select and design a neural network model that will be able to generate realistic images thematically fitting the selected dataset. The architecture used for the solution is Deep convolutional generative adversarial network. This network is than implemented in the Python programming language using the Tensorflow application programming interface and its included interface Keras. Finally, the model is trained on the selected dataset and the resulting generated images are presented. The final model and individual images are then evaluated using various quality assessment methods.
|
|
|
Segmentation of Electrocardiographic Signals Using Deep Learning Methods
Hejč, Jakub ; Černý, Martin (referee) ; Halámek, Josef (referee) ; Kolářová, Jana (advisor)
The thesis deals with deep learning methods for the segmentation of surface and intracardiac electrocardiographic recording with focus on atrial activity. The theoretical part introduces current segmentation aproaches of electrocardiographic signals. Issues related to the development of deep learning models in context of standard ECG databases were also discussed. We proposed a pipeling for processing multimodal electrophysiology data from interventional procedures in order to build reliable training datasets. A deep model for segmentation of intracardiac recordings based on a modified residual architecture was proposed. A series of experiments was conducted to evaluate the effect of both model and dataset properties on segmentation quality. The annotation methodology of recordings with atrial fibrillation proved to be a crucial factor. Properties of loss function and type of data augmentation were revealed as secondary important parameters. A novel P wave segmentation method for incomplete references was proposed in the thesis. The approach was inspired by the deep contrast learning. It was modified to distinguish local segments of signals at different levels of abstraction of the extracted feature maps. Results were analyzed using standard quality metrics and post-hoc visual analysis. In some cases, a statistical comparison of experiments for different settings was performed. The results of the work showed that it is possible to use intracardiac signals for embedding a vector representation of local atrial activation into deep models.
|
|
|
Deep Learning for Image Stitching
Šilling, Petr ; Beran, Vítězslav (referee) ; Španěl, Michal (advisor)
Sešívání obrázků je klíčovou technikou pro rekonstrukci objemů biologických vzorků z překrývajících se snímků z elektronové mikroskopie (EM). Současné metody zpracování snímků z EM k sešívání zpravidla využívají ručně definované příznaky, produkované například technikou SIFT. Nedávný vývoj však ukazuje, že konvoluční neuronové sítě dokáží zlepšit přesnost sešívání tím, že se naučí diskriminativní příznaky přímo z trénovacích obrázků. S ohledem na potenciál konvolučních neuronových sítí tato práce navrhuje sešívací nástroj DEMIS, který staví na pozornostní síti LoFTR pro hledání shodných příznaků mezi páry obrázků. Dále práce navrhuje novou datovou sadu generovanou dělením obrázků z EM s vysokým rozlišením na pole překrývajících se dlaždic. Výsledná datová sada je použita pro dotrénování sítě LoFTR a k vyhodnocení nástroje DEMIS. Experimenty na dané datové sadě ukazují, že nástroj je schopen nalézt přesnější shody mezi příznaky než SIFT. Navazující experimenty na obrázcích s vysokým rozlišením a malými překryvy mezi dlaždicemi dále poukazují na výrazně vyšší robustnost oproti metodě SIFT. Dosažené výsledky celkově naznačují, že hluboké učení může vést k prospěšným změnám v oblasti EM, například k umožnění menších překryvů mezi snímanými obrázky.
|
guest ::
