|
|
Matení algoritmů počítačového vidění
Hrabal, Matěj ; Bartl, Vojtěch (oponent) ; Herout, Adam (vedoucí práce)
Cílem této práce bylo zkoumání existujících metod matení počítačového vidění a rozpoznávání. Zaměřil jsem se zejména na metody typu pixel attack.Dále jsem porovnal jednotlivé metody obrany proti těmto útokům. Jednotlivé metody typu pixel attack a možnosti obrany proti těmto útokům jsem implementoval v jazyce python s využitím knihovny Keras. V rámci práce jsem vytvořil nástroj, který umožňuje provést útok metodou pixel attack na uživateli zvoleném obrázku, a z informací získaných při útocích dokáže generovat statistiky. Nástroj také umožňuje detekovat možné útoky v obrázcích.
|
|
|
Exploiting Approximate Arithmetic Circuits in Neural Networks Inference
Matula, Tomáš ; Mrázek, Vojtěch (oponent) ; Češka, Milan (vedoucí práce)
This thesis is concerned with the utilization of approximate circuits in neural networks to provide energy savings. Various studies showing interesting results already exist, but most of them were very application specific or demonstrated on a small scale. To take this further, we created a platform by nontrivial modifications of robust open-source framework Tensorflow allowing us to simulate approximate computing on known state-of-the-art neural networks e.g. Inception or MobileNet. We focused only on replacement of most computationally expensive parts of convolutional neural networks, which are multiplication operations in convolution layers. We experimentally demonstrated and compared various setups and even that we proceeded without relearning, we were able to obtain promising results. For example, with zero accuracy loss on Inception v4 architecture, we gained almost 8% energy savings which could be valuable, especially in low-power devices or in large neural networks with enormous computational demands.
|
|
|
Rozpoznání typu vozidla z dohledové kamery
Mencner, Pavel ; Špaňhel, Jakub (oponent) ; Sochor, Jakub (vedoucí práce)
Cílem této práce je detekce vozidel v obraze z dopravní dohledové kamery a jemná klasifikace jejich typu (výrobce a model). V práci je implementována normalizační metoda Unpack, která slouží pro transformaci obrazu vozidla do jeho zdánlivé rovinné reprezentace, za účelem zvýšení úspěšnosti klasifikátoru. Metoda Unpack využívá pro normalizaci 3D bounding box vozidla, který je v testovací fázi sestaven z informací o kontuře a směru k úběžníkům vozidla. Součástí práce je srovnání přesnosti metody přímé a Unpack klasifikace. Řešení se skládá z více na sebe navazujících částí, které využívají konvolučních neuronových sítí. Tyto části jsou: detekce vozidel v obraze, odhad směru k úběžníkům scény řešený jako klasifikační úloha, detekce kontury vozidel s využitím konvoluční Encoder-Decoder sítě a jemná klasifikace typu vozidel. Pomocí klasifikace s využitím metody Unpack bylo dosaženo zvýšení přesnosti systému o 2% proti přímé klasifikaci, dosahujíc výsledné úspěšnosti 86%. Výsledkem práce je systém jemné klasifikace typu vozidel pracující se záznamem z dohledové kamery bez omezení pozorovacích úhlů.
|
|
|
Hluboké neuronové sítě pro analýzu medicínských obrazových dat
Dronzeková, Michaela ; Kodym, Oldřich (oponent) ; Španěl, Michal (vedoucí práce)
Cieľom tejto práce je využitie konvolučných neurónových sietí na klasifikáciu röntgenových snímok ľudského tela. Na tento účel boli vytvorené štyri neurónové siete, ktoré sa testujú na troch klasifikačných úlohách: klasifikácia bočnej a predozadnej snímky hrudníka, klasifikácia snímok do viacerých kategórií a klasifikácia chorôb na predozadnej snímke hrudníka. Najlepšie výsledky dosiahli siete ResNet a SEResNet. Pri prvej úlohe dosiahla SEResNet presnosť 99,49%, pri druhej mala najlepšie výsledky ResNet s presnosťou 94,97% a v prípade tretej úlohy dosiahla najlepší výsledok opäť SEResNet, 31,53% s použitím metriky F1 measure.
|
|
|
Implementace neuronové sítě bez operace násobení
Slouka, Lukáš ; Baskar, Murali Karthick (oponent) ; Szőke, Igor (vedoucí práce)
Predmetom tejto diplomovej práce je akcelerácia neurónových sietí s cieľom redukcie počtu operácií násobenia reálnych čísiel. Teoretická časť tejto práce sleduje súčasné trendy a metódy využívané v oblasti akcelerácie neurónových sietí. Najväčší dôraz je kladený na binarizačné techniky, ktoré umožňujú nahradiť násobenia logickými operátormi. Teoretický základ je zavedený do praxe hneď dvomi spôsobmi. Prvým z nich je implementácia kritických binárnych operátorov spustiteľných na GPU vo frameworku TensorFlow a ich rýchlostný benchmark. Druhým je aplikácia týchto operátorov v jednoduchom klasifikátore obrázkov. Výsledky sú rozhodne povzbudivé. Implementované operátory dosiahli 2,5-násobné zrýchlenie v porovnaní s vysoko optimalizovanými cuBLAS operátormi. Posledná kapitola práce sleduje úspešnosť dosiahnutú binarizačnými modelmi.
|
|
|
Inteligentní rozpoznání činnosti uživatele chytrého telefonu
Pustka, Michal ; Goldmann, Tomáš (oponent) ; Drahanský, Martin (vedoucí práce)
Tato práce se zabývá detekcí uživatelských aktivit (např. běhání, chůze, jízda autě atd.) v reálném čase, přičemž k samotné detekci je využito senzorů dostupných v mobilních zařízeních. V rámci práce vznikla aplikace pro sběr dat ze senzorů, pomocí které byla nasbírána data. Dalším produktem této práce je program pro předzpracování naměřených dat a vytvoření datasetu. Součástí práce je vlastní návrh konvoluční neuronové sítě, která slouží ke klasifikaci aktivit. Celou implementační část uzavírá vytvořená knihovna pro detekci aktivit na mobilních zařízeních s Android OS. Spojením všech aplikací vzniká komplexní framework pro vývoj aplikace, využívající detekci uživatelských aktivit. Na závěr jsou provedeny některé zajímavé experimenty pomocí tohoto frameworku (např. vliv konkrétních senzorů na výkon detekce).
|
|
|
VR interaktivní aplikace
Valenta, Marek ; Kobrtek, Jozef (oponent) ; Milet, Tomáš (vedoucí práce)
Tento dokument se primárně zabývá popisem vývoje interaktivní aplikace pro virtuální realitu. Na začátku je popis historie VR, která sahá až do 19. století. Následuje popis zařízení, které se momentálně pro VR používají, a pro které je tato aplikace vytvořena. Dále je představeno vývojové prostředí Unity 3D, což je, společně se základním popisem neuronových sítí velká součást celého projektu. Druhá polovina popisuje návrh a implementaci aplikace simulujícího magický svět včetně nového konceptu kouzlení, který v žádné VR hře nebyl dosud použit, a jde o rozpoznání gest pohybu ruky, pro tvorbu kouzla, pomocí neuronové sítě. Dále práce obsahuje popis celé aplikace, místností a objektů. Závěr rozebírá problémy a slepé uličky, které byly vyzkoušeny ale nevyhovovali.
|
|
| |
|
|
Hluboké neuronové sítě pro klasifikaci objektů v obraze
Mlynarič, Tomáš ; Zemčík, Pavel (oponent) ; Hradiš, Michal (vedoucí práce)
Tato práce se zabývá klasifikací objektů v obraze s použitím hlubokých neuronových sítí. Jako algoritmus pro klasifikaci byla zvolena segmentace celé scény pracující na video sekvencích a využívající informace mezi dvěma snímkami videa. Pro tuto úlohu bylo použito extrahování informací pomocí optického toku, na základě kterého byly dále warpovány aktivační mapy vrstev neuronových sítí. Dvě architektury neuronových sítí byly upraveny pro práci s videem, na kterých byly následně provedeny experimenty. Výsledky experimentů ukazují, že použití videa umožňuje zlepšit přesnost (IoU) vůči stejné architektuře pracující s obrázky.
|
|
|
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.
|
host ::
RSS.