|
|
Detekce a rozpoznání hub v přirozeném prostředí
Steinhauser, Dominik ; Juránek, Roman (oponent) ; Špaňhel, Jakub (vedoucí práce)
Práce řeší problém detekce a klasifikace hub na fotografiích v přirozeném prostředí. K řešení jsem použil konvoluční neuronové sítě. Začátek práce je věnován teorii neuronových sítí. Dále je v práci řešena detekce hub a jejich klasifikace. S pomocí plně konvoluční neuronové sítě je vyřešen i problém lokalizace hub. Výsledky naučených neuronových sítí jsou analyzovány.
|
|
|
Neural networks for automatic speaker, language, and sex identification
Do, Ngoc ; Jurčíček, Filip (vedoucí práce) ; Peterek, Nino (oponent)
Název: Neuronové sítě pro automatické rozpoznávání řečníka, jazyka a pohlaví Autorka: Bich-Ngoc Do Katedra: Ústav formální a aplikované lingvistiky Vedoucí práce: Ing. Mgr. Filip Jurek, Ph.D., Ústav formální a aplikované lingvistiky, a Dr. Marco Wiering, Institut umělé inteligence a kognitivních věd, Fakulta matematiky a přírodních věd, Univerzita v Groningenu Abstrakt: Rozpoznávání řečníka je náročný úkol a má využití v mnoha oblastech, například využítí pro autorizaci nebo forenzní vědě. V posledních letech se rozšířil koncept učení hlubokých, především hluboké neuronové sítě, které se ukázaly jako schopná technika strojového učení a dosáhly výborných úspěchů v mnoha oblastech výzkumu zpracování přirozeného jazyka a zpra- cování mluveného slova. Tato práce si dává za cíl prozkoumat možnosti modelu hlubokých neuronových sítí, rekurentních neuronových sítí v úloze rozpoznávání řečníka. Námi navržené systémy byly vyhodnoceny na kor- pusu TIMIT pro úlohu identifikace řečníka. V porovnání s jinými systémy za stejných testových podmínkách náš systém nedosáhl referenčních výsledků kvůli nedostatku validačních dat. Naše experimenty ukázaly, že nejlepší konfigurace systému je...
|
|
|
Multitasking jako jeden z projevů konvergence audiovizuálních médií
Mičke, David ; Moravec, Václav (vedoucí práce) ; Kasík, Pavel (oponent)
Primárním cílem této práce je zjistit, do jaké míry se projevuje mediální multitasking, jakožto v posledních 20 letech vzrůstající fenomén v příjmu mediálního obsahu ve vysílání zpravodajských stanic. Výzkumný vzorek sestává z české stanice ČT24, britské BBC News a mezinárodní verze americké stanice CNN. V teoretické kapitole je v základních pojmech a konceptech vysvětlen termín konvergence v mediálním prostředí; v návaznosti na to je obsažena i část věnovaná konkrétním důsledkům konvergence v audiovizuálních médiích, s čímž je spojen i multitasking, jehož původu, příčinám rozvoje a vlivu na lidské kognitivní vnímání se práce také věnuje. Právě na multitasking jako čím dál častější formu mediálního příjmu reagují i zmíněné televizní stanice. V obrazové analýze technických kódů souvisejících s multitaskingem, která byla prováděna na všech stanicích po dobu jednoho týdne, jsou zdůrazněna specifika oněch stanic. Obsažena je i komparace rozdílů mezi danými stanicemi.
|
|
|
Mediální obraz krymské krize ve zpravodajství Russia Today, CNN a ČT24
Štěpán, Petr ; Lokšík, Martin (vedoucí práce) ; Nečas, Vlastimil (oponent)
Práce zkoumá mediální obraz krymské krize ve zpravodajství českého kanálu ČT24, ruské stanice RT a americké televize CNN. Práce se zprvu zabývá teoretickými východisky a podobnými studiemi, které zkoumaly rámce mediálních pokrytí nejen válečných konfliktů. Dále představuje stručnou historii Ukrajiny a poukazuje na možné příčiny vzniku krymské krize. Práce obsahuje časovou osu vzniku krymské a ukrajinské krize na přelomu let 2013 a 2014 a jejího průběhu. V metodologické části stanovuje kritéria pro výzkum a rozsah zkoumaného materiálu. Po metodologické části následuje analýza, která se zabývá tím, jakým zdrojům sledované kanály dávaly větší důraz, jací političtí aktéři měli do zpravodajství přístup, jaká témata jednotlivé televizní stanice považovaly za důležitá, jak označovaly jednotlivé aktéry a události a jak je zobrazovaly. V závěru srovnává jednotlivé mediální obrazy a rámce krymské krize ve zpravodajství zkoumaných kanálů.
|
|
|
Image segmentation using deeplearning methods
Lukačovič, Martin ; Burget, Radim (oponent) ; Mašek, Jan (vedoucí práce)
This thesis deals with the current methods of semantic segmentation using deep learning. Other approaches of neaural networks in the area of deep learning are also discussed. It contains historical solutions of neural networks, their development, and basic principle. Convolutional neural networks are nowadays the most preferable networks in solving tasks as detection, classification, and image segmentation. The functionality was verified on a freely available environment based on conditional random fields as recurrent neural networks and compered with the deep convolutional neural networks using conditional random fields as postprocess. The latter mentioned method has become the basis for training of new models on two different datasets. There are various enviroments used to implement neural networks using deep learning, which offer diverse perform possibilities. For demonstration purposes a Python application leveraging the BVLC\,/\,Caffe framework was created. The best achieved accuracy of a trained model for clothing segmentation is 50,74\,\% and 68,52\,\% for segmentation of VOC objects. The application aims to allow interaction with image segmentation based on trained models.
|
|
| |
|
|
Image Captioning with Recurrent Neural Networks
Kvita, Jakub ; Španěl, Michal (oponent) ; Hradiš, Michal (vedoucí práce)
In this work I deal with automatic generation of image captions by using multiple types of neural networks. Thesis is based on the papers from MS COCO Captioning Challenge 2015 and character language models, popularized by A. Karpathy. Proposed model is combination of convolutional and recurrent neural network with encoder--decoder architecture. Vector representing encoded image is passed to language model as memory values of LSTM layers in the network. This work investigate, whether model with such simple architecture is able to generate captions and how good it is in comparison to other contemporary solutions. One of the results is that the proposed architecture is not sufficient for any image captioning task.
|
host ::
RSS.