|
|
Detection Of Anatomical Structures In Ct Data
Using Convolutional Neural Networks
Kozlová, Dominika
This paper deals with a detection of anatomical structures in medical images using convolutional neural networks (CNN). The designed algorithm contains 2 methods for region proposals and CNN for their classification into categories. Output of the CNN is then postprocessed to obtain the detection result. Categories for detection are head, spine, heart, left and right lung, aorta, liver, left and right kidney, spleen and background. For training and validation of the network were created 2 sets of CT data with annotated areas of selected structures.
|
|
|
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.
|
|
|
Detekce zbraní ve 2D obrazu
Demčák, Ján ; Spurný, Martin (oponent) ; Drahanský, Martin (vedoucí práce)
Táto bakalárska práca sa zaoberá detekciou zbraní v 2D obraze. V teoretickej časti bol zadefinovaný pojem zbraň, uviedli sme možnosti detekcie zbrane v obraze s použitím klasických metód a s využitím hlbokých neurónových sietí. Popísali kľúčové kroky spracovania obrazu, klasifikácie objektov, detekcie. Uviedli prehľad nástrojov, knižníc. Pre realizáciu praktickej časti sme vybrali 3 modely. Jeden klasický model s využitím HOG transformácie. Druhý CNN model s prioritným cieľom presnosťi detekcie a dvoma rôznymi architektúrami neurónových sietí ako klasifikátormi. Tretí model s architektúrou siete YOLO mal ako prioritný cieľ detekciu v reálnom čase. Podstatnou časťou každého modelu bol výber, resp. vytvorenie vhodného datasetu. Nasledovalo zostrojenie a implementácia modelov s analýzou a vyhodnotením získaných dát.
|
|
|
Navigace pomocí hlubokých konvolučních sítí
Skácel, Dalibor ; Veľas, Martin (oponent) ; Hradiš, Michal (vedoucí práce)
V této práci se věnuji problematice navigace a autonomního řízení za použití konvolučních neuronových sítí. Představuji zde hlavní přístupy využívající zpracování senzorických vstupů uváděné v odborné literatuře a popisuji teorii neuronových sítí, imitačního a zpětnovazebního učení. Dále rozebírám nástroje a metody vhodné pro zpracování systému řízení. V rámci práce jsem vytvořil dva typy modelů pro řízení vozidel v simulačním prostředí. Modely využívají učících algoritmů Dataset Aggregation a Deep Deterministic Policy Gradient. Vytvořené modely jsem otestoval v prostředí simulátoru TORCS a porovnal s dostupnými zdroji.
|
|
|
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.
|
|
|
Knihovna pro návrh konvolučních neuronových sítí
Rek, Petr ; Mrázek, Vojtěch (oponent) ; Sekanina, Lukáš (vedoucí práce)
V rámci této diplomové práce je čtenář seznámen s problematikou neuronových a konvolučních neuronových sítí. Na základě těchto znalostí je poté proveden návrh a implementace knihovny umožňující práci s konvolučními neuronovými sítěmi - od návrhu, přes trénování až po validaci. Výsledná knihovna je poté vyhodnocena na klasických úlohách pro konvoluční neuronové sítě a porovnána s jinými knihovnami. Rozšířením knihovny, díky kterému se odliší od jiných volně dostupných, je nezávislost na datovém typu. Každá vrstva může mít až tři na sobě nezávislé datové typy - pro váhy, pro inferenci a pro učení. Za účelem vyhodnocení tohoto rozšíření je součástí knihovny i datový typ s pevnou řádovou čárkou. Vliv této reprezentace na přesnost natrénované sítě je podroben experimentům.
|
|
|
Konvoluční neuronové sítě
Lietavcová, Zuzana ; Zbořil, František (oponent) ; Zbořil, František (vedoucí práce)
Táto práca sa zaoberá problematikou učenia konvolučných neuronových sietí. Ide o druh hlbokých neuronových sietí, ktoré sa v súčasnosti hojne používajú predovšetkým v oblasti rozpoznávania obrazu a spracovania prirodzeného jazyka. Práca popisuje špecifiká konvolučných neuronových sietí oproti tradičným neuronovým sieťam a zameriava sa na vnútorné výpočty, ktoré realizujú pri učení. Konvolučné neurónové siete sa typicky skladajú z niekoľkých typov vrstiev neurónov a cieľom práce je demonštrovať výpočet jednotlivých typov vrstiev. V práci bol navrhnutý a implementovaný demonštračný program učenia jednoduchej konvolučnej siete s využitím vlastnej implementácie neurónovej siete. Správnosť implementácie bola overená natrénovaním siete pre riešenie klasifikačnej úlohy, boli vykonané experimenty s rôznymi architektúrami sietí a ich výsledky porovnané.
|
|
|
Odhad rychlosti vozidla ze záznamu on-board kamery
Janíček, Kryštof ; Bartl, Vojtěch (oponent) ; Špaňhel, Jakub (vedoucí práce)
Tato práce se zabývá návrhem a vývojem systému pro odhad rychlosti vozidla ze záznamu palubní kamery. Odhad rychlosti je založen na odhadu optického toku mezi dvěma snímky a konvoluční neuronové síti. Na vytvořené datové sadě dokáže navržený systém odhadnout rychlost s průměrnou chybou 20% při rychlostech vyšších než 35 kilometrů za hodinu.
|
|
|
Detekce, sledování a klasifikace automobilů
Vopálenský, Radek ; Sochor, Jakub (oponent) ; Juránek, Roman (vedoucí práce)
Cílem této diplomové práce je navrhnout a implementovat v jazyce C++ systém pro detekci, sledování a klasifikaci automobilů ze streamů nebo záznamů dopravních kamer. Systém běží na platformě robotického operačního systému a využívá knihovny OpenCV, FFmpeg, TensorFlow a Keras. Pro detekci je využit kaskádový klasifikátor, pro sledování Kalmanův filtr a pro klasifikaci konvoluční neuronová síť. Z celkového počtu 627 automobilů bylo správně sledováno 479. Z toho bylo klasifikováno celkem 458 (nejsou zahrnuty kamiony nebo nákladní automobily). Výsledný systém je možné využívat pro analýzu dopravy.
|
|
|
Mobilní aplikace využívající hlubokých konvolučních neuronových sítí
Poliak, Sebastián ; Herout, Adam (oponent) ; Sochor, Jakub (vedoucí práce)
Táto práca popisuje proces tvorby mobilnej aplikácie, ktorá využíva hlboké konvolučné neurónové siete. Proces začína predstavením hlavnej myšlienky, po ktorej nasleduje produktový a technický návrh, implementácia a vyhodnotenie. Práca taktiež skúma technické pozadie rozpoznávania obrazu, a vyberá najvhodnejšie možnosti pre účely aplikácie. Tie sú detekcia objektov a multi-label klasifikácia, ktoré sú obe implementované, vyhodnotené a porovnané. Výsledná aplikácia sa snaží priniesť hodnotu z užívateľského aj technického hľadiska.
|
host ::
RSS.