|
|
Zvyšování konzistence v datových sadách pro rozpoznávání textu
Tvarožný, Matúš ; Hradiš, Michal (oponent) ; Kišš, Martin (vedoucí práce)
Táto práca sa zaoberá zvyšovaním konzistencie dátových sád pre rozpoznávanie textu. V tejto práci sú popísane problémy, ktoré nekonzistenciu spôsobujú a následne sú predstavené riešenia na jej odstránenie. Skúmaný je vplyv vlastností polygónov definujúcich ohraničenie riadkov a teda to ako upravená verzia dátovej sady, ktorá je zložená z ideálnych variant riadkov ovplyvnila presnosť modelu. Ďalej sa práca zameriava na detekciu a následné odstránenie alebo upravenie riadkov, ktorých prepis ground truth nekorešponduje so skutočným textom, ktorý sa na nich nachádza. Experimentovaním sa ukázalo, že odstránenie vizuálnej nekonzistencie na trénovacej sade nemá zásadný vplyv na natrénovanosť modelu, za to poupravením testovacej sady sa presnosť OCR modelu zlepšila o 1.1\% CER. Upravením dátovej sady tak, aby neobsahovala navzájom nekonzistentné dvojice rozpoznávaného textu a príslušnej ground truth, sa model po opätovnom natrénovaní zlepšil maximálne len o 0.2\% CER. Hlavným zistením tejto práce je predovšetkým preukázaný priaznivý účinok odstránenia nekonzistencie na testovacích sadách, vďaka ktorému je možné zistiť reálnejšiu chybovosť OCR modelu.
|
|
|
Algorithms for named entities recognition
Winter, Luca ; Heriban, Pavel (oponent) ; Šťastný, Jiří (vedoucí práce)
The aim of this work is to find out which algorithm is the best at recognizing named entities in e-mail messages. The theoretical part explains the existing tools in this field. The practical part describes the design of two tools specifically designed to create new models capable of recognizing named entities in e-mail messages. The first tool is based on a neural network and the second tool uses a CRF graph model. The existing and newly created tools and their ability to generalize are compared on a subset of e-mail messages provided by Kiwi.com.
|
|
|
Rekurentní neuronové sítě v počítačovém vidění
Křepský, Jan ; Řezníček, Ivo (oponent) ; Španěl, Michal (vedoucí práce)
Práce se zabývá využitím rekurentních neuronových sítí v oblasti počítačového vidění. V teoretické části jsou popsány základní poznatky o umělých neuronových sítích se zaměřením na rekurentní architektury. Dále jsou zde prezentovány některé z jejich možných aplikací a nasazení při řešení reálných problémů. Praktická část práce je věnována rozpoznávání obličejů ze sekvence snímků pomocí Elmanovy jednoduché rekurentní sítě. K učení jsou použity algoritmy backpropagation a backpropagation through time.
|
|
|
Strojový překlad pomocí umělých neuronových sítí
Holcner, Jonáš ; Beneš, Karel (oponent) ; Szőke, Igor (vedoucí práce)
Cílem této práce je popsat a vytvořit systém pro strojový překlad textu postavený na rekurentních neuronových sítích. K tomu je použita architektura enkodér-dekodér umožňující překlad po celých větách. Výsledkem je knihovna nmt, určená k provádění experimentů s různými parametry modelu. Jejich výsledky jsou porovnány vůči systému postavenému na nástroji pro statistický překlad Moses.
|
|
|
Rozpoznávání historických textů pomocí hlubokých neuronových sítí
Kišš, Martin ; Zemčík, Pavel (oponent) ; Hradiš, Michal (vedoucí práce)
Cílem této práce je vytvořit nástroj pro automatický přepis textu historických dokumentů. Práce je zaměřena především na rozpoznávání textů pocházejících z období novověku psané písmem zvané Fraktura. Problém je řešen pomocí nově navržených rekurentních konvolučních neuronových sítí a také pomocí sítě zvané Spatial Transformer Network. Součástí řešení je také implementovaný generátor umělých historických textů. Pomocí tohoto generátoru je vytvořena umělá datová sada, na níž je natrénována konvoluční neuronová síť pro rozpoznávání řádků. Tato síť je následně otestována na reálných historických řádcích textu, na kterých natrénovaná sít dosahuje úspešnosti až 89.0 % znakové přesnosti. Přínosem této práce je především nově navržená neuronová síť pro rozpoznávání řádků textu a implementovaný generátor umělých historických textů, s jehož pomocí je možné natrénovat neuronovou síť tak, aby zvládala rozpoznávat reálné historické řádky textu.
|
|
|
Detektor tempa hudebních nahrávek na bázi neuronové sítě
Suchánek, Tomáš ; Smékal, Zdeněk (oponent) ; Ištvánek, Matěj (vedoucí práce)
Diplomová práce se zabývá systémy k detekci tempa a dob v hudebních nahrávkách, jejichž funkčnost je založena na neuronových sítích. Je zde popsána struktura těchto systémů a způsob zpracování signálu v jejich jednotlivých blocích. Pozornost je potom věnována především rekurentním a temporálním konvolučním sítím, které ze své podstaty detekci tempa a dob dokáží efektivně řešit. Vybrané metody, architektury sítí a jejich modifikace jsou pak implementovány v rámci uceleného detekčního systému, který je dále testován a vyhodnocen procesem křížové validace na žánrově rozmanitém datasetu. Z výsledků vyplývá, že systém s vlastní architekturou temporální konvoluční sítě dosahuje srovnatelných výsledků se zahraničními publikacemi – v rámci datasetu SMC se například projevil jako nejúspěšnější, naopak v případě jiných se nacházel mírně pod přesností state-of-the-art systémů, přičemž navržená síť si i přes zvýšenou vnitřní komplexnost zachovává nízkou výpočetní náročnost.
|
|
|
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.
|
|
|
Deep Neural Networks for Text Recognition
Kavuliak, Daniel ; Hradiš, Michal (oponent) ; Kišš, Martin (vedoucí práce)
The aim of this work is to build a model for handwritten text recognition, which will use non-autoregressive decoder. This type of decoder calculates character predictions independently of other predicted characters, which can be advantageous in terms of inference speed, but the quality of the prediction is worse. The motivation is to design a non-autoregressive decoder, which will have the task of refining the encoder's predictions. The task was solved with the help of decoders, which mask the encoder's predictions or partially suppress the information due to the use of information about unmasked symbols or using input sequence information. Subsequently, a series of experiments was performed, where the best model reached a character error rate of 8.92 %. But the assignment was not fulfilled, because the encoder itself reached 6.38 %.
|
|
|
Classification with Use of Neural Networks in the Keras Environment
Pyšík, Michal ; Burgetová, Ivana (oponent) ; Bartík, Vladimír (vedoucí práce)
This thesis examines the problematics of classification using artificial neural networks within use of the Keras framework, a high-level deep learning API for the Python programming language. The aim of the thesis is to discover the diverse options Keras has to offer in the field of classification, and to compare different types and topologies of artificial neural networks in the form of experiments on selected datasets, complemented by a simple experimental application whose main purpose is to provide an interface for these experiments.
|
|
| |
host ::
RSS.