|
|
Analýza vlivu trénovací datové sady na úspěšnost segmentace
Benešovská, Veronika ; Vičar, Tomáš (oponent) ; Jakubíček, Roman (vedoucí práce)
Mikrobiální struktury jsou v každém živém organismu, proto je důležité je klasifikovat pro následné zkoumání jejich původu a funkce. Společnost Bruker, s.r.o vyvíjí právě pro tento účel přístroj MBT Pathfinder, který automatizuje přenos kolonií na MALDI destičky, kde probíhá následná analýza vzorku. Přenášené kolonie lze vybrat ručně nebo pomocí algoritmu, který zajistí automatickou segmentaci kolonií. Tento algoritmus je nejdříve potřeba naučit na trénovací množině, která má velký vliv na jeho přesnost. Tato práce se zabývá měřením vlivu datové sady na přesnost tohoto algoritmu.
|
|
|
Detekce střihů a vyhledávání známých scén ve videu s pomocí metod hlubokého učení
Souček, Tomáš ; Lokoč, Jakub (vedoucí práce) ; Peška, Ladislav (oponent)
Vyhledávání ve videu představuje náročný problém s mnoha záludnostmi a dílčími problémy. Tato práce se zaměřuje na dva z těchto podproblémů, konkrétně na detekci střihů a textové vyhledávání. V případě detekce střihů bylo v posledních desetiletích navrženo mnoho řešení. Nedávné přístupy založené na hlubokém učení zlepšily přes- nost detekce pomocí 3D konvolučních architektur a uměle vytvořených trénovacích dat, ale stoprocentní přesnost je stále nedosažitelným ideálem. V této práci představujeme TransNet V2, hlubokou síť pro detekci střihů, která dosahuje nejlepších výsledků v porovnání s konkurenčními metodami na respekovaných datasetech. V případě druhého námi řešeného problému textového vyhledávání se ukázaly jako efektivní řešení hluboké neuronové sítě promítající textové dotazy a snímky videa do společného prostoru. V této práci zkoumáme použítí těchto sítí pro případ hledání známého objektu ve videu a navrhujeme vylepšení způsobu, jakým lze zakódovat textový dotaz. 1
|
|
|
Active learning for Bayesian neural networks in image classification
Belák, Michal ; Šabata, Tomáš (vedoucí práce) ; Vomlelová, Marta (oponent)
V posledných rokoch dosahujú zložité neurónové siete špičkové výsledky v klasifikácií obrazu. Trénovanie takýchto modelov však vyžaduje veľké množstvo označkovaných dát. Kým neoznačkované obrázky sú často dostupné vo ve ľkom množstve, značkovanie vyžaduje značné ľudské úsilie. Aktívne učenie znižuje nároky na značkovanie vyberan ím najinformatívnejších inštancií na označkovanie. Najpoužívanejšia rodina stratégií pre vyberanie inštancií na znač kovanie v aktívnom učení využíva odhad neistoty predpovedí modelu, ktorý sa trénuje. Moderné neurónové siete vš ak často neposkytujú spoľahlivé odhady neistoty. Bayesovské neurónové siete modelujú neistotu parametrov model u, ktorá sa premieta do neistoty v predpovediach modelu. Presná Bayesovská inferencia je však neriešiteľná pre neur ónové siete, v literatúre však existujú rôzne približné metódy. V našich experimentoch používame tri takéto metódy, ktoré kombinujeme s rôznymi stratégiami pre vyberanie inštancií, využívajúcimi neistotu v ich predpovediach.
|
|
|
Deep Learning for MRI data
Karella, Tomáš ; Pilát, Martin (vedoucí práce) ; Blažek, Jan (oponent)
Cílem této práce je klasifikovat snímky mozku z magnetické rezonance pomocí mod- elů Hlubokého učení, konkrétně se jedná o Alzheimerovu chorobu na snímcích datasetu vytvořeném iniciativou Alzheimer's Disease Neuroimaging Initiative (ADNI). Pro přípravu datasetu jsme vyvinuli dva nástroje, které zarovnávají, normalizují a odebírají nerele- vantní části snímku. Takto připravené snímky jsme použili k vytvoření 2D a 3D datasetu. Navrhli jsme několik vlastních modelů postavených na tradičních konvolučních sítích a na již dříve publikovaných modelech. Naše experimenty nepotvrdily přesnost výsledků těchto recentních studií, neboť vykazovaly velký pokles v závislosti na rozdělení datasetu. Přes- nost trénovaných modelů totiž výrazně klesla, pokud byl dataset rozdělen podle pacientů, nikoliv podle snímků. Tato práce je přehledem několika dříve publikovaných modelů a také našich vlastních experimentů, které ukazují výsledky na datasetu rozdělených podle subjektů i podle snímků. Práce plynule navazuje a rozšiřuje závěry autorů [Fung et al., 2019]. 1
|
|
|
Automatické rozpoznávání hudební notace ze zvukových dat
Čermák, Marek ; Lokoč, Jakub (vedoucí práce) ; Hajič, Jan (oponent)
Název práce: Automatické rozpoznávání hudební notace ze zvukových dat Autor: Marek Čermák Katedra / Ústav: Katedra softwarového inženýrství Vedoucí bakalářské práce: doc. RNDr. Jakub Lokoč, Ph.D. Abstrakt: Cílem této práce je návrh a implementace aplikace využívající konvoluční neuronové sítě k tvorbě hudební notace ze zvukových dat. Aplikace je schopná učit neuronovou síť pomocí vstupních souborů ve formátu MIDI (Musical Instrument Digital Interface) a spárovat jednotlivé úseky hudby s jejich zvukovou podobou. Učení neuronové sítě může probíhat na uživatelem specifikované kolekci souborů MIDI či na náhodně generované hudbě. Každému nástroji ve standardu MIDI může být přiřazena síť, jejímž výstupem jsou přehrávané noty v daném časovém úseku. Postupným procházením zvukových dat generuje síť úseky aktivních not, které jsou následně spojeny do výsledného souboru. Součástí aplikace je také rozpoznávání slov ze zvuku pomocí externí služby. Klíčová slova: hudební notace, neuronová síť, hluboké učení, rozpoznání zvuku, MIDI
|
|
|
Deep learning for tree line ecotone mapping from remote sensing data
Dvořák, Jakub ; Potůčková, Markéta (vedoucí práce) ; Lefèvre, Sébastien (oponent)
Hluboké učení se v posledních letech stále více uplatňuje v dálkovém průzkumu, především jako klasifikační algoritmus. První část této práce popisuje hluboké neuronové sítě používané pro klasifikaci v dálkovém průzkumu a možnosti jejich využití. V této části práce jsou diskutovány i implementace hlubokých modelů ve vybraných geografických softwarech. Teoretická zjištění z první části práce jsou ověřena pomocí dvou hlubokých konvolučních sítí typu "Encoder-Decoder" - U-Net a její navrhovaná adaptace KrakonosNet. Tyto sítě jsou využity pro klasifikaci smrků a kosodřeviny v oblasti krkonošské horní hranice lesa. Normalizovaný digitální model povrchu je využit k tvorbě dostatečného množství trénovacích dat a klasifikace samotná je provedena pouze na základě optických dat s velmi vysokým prostorovým rozlišením. Výsledná klasifikace je porovnána s několika tradičními metodami, konkrétně se jedná o klasifikátor maximální pravděpodobnosti, náhodný les a metodu podpůrných vektorů. U-Net i KrakonosNet dosáhly na tomto datasetu výrazně lepších výsledků a budou následně využity pro potřeby souvisejícího výzkumného projektu. Klíčová slova hluboké učení, U-Net, Krkonoše, klasifikace, mapování vegetace, smrk ztepilý, borovice kleč, ortofoto
|
|
|
Real-Time Prediction of Football Matches Results
Drankou, Aliaksandr ; Bartík, Vladimír (oponent) ; Hynek, Jiří (vedoucí práce)
This thesis studies the problem of real-time football matches results prediction. It consists of several steps, including the acquisition of suitable dataset and training of the prediction model. The prediction model is represented by two types of neural networks: feedforward and LSTM recurrent neural network. Different combinations of input features are tested to achieve the best performing model. Both models achieved a classification accuracy of about 67.5%, where feedforward network accuracy starts from 54% at the beginning of the match and achieve 93.54% by the end of the match. In addition to widely-used metrics such as categorical accuracy and log-loss, each model is evaluated in the simulated betting environment.Experiments within betting evaluation have shown that LSTM can't compete with feedforward network, as in each betting run LSTM network ended up with a balance, dropped by more than 90%. However, the feedforward network achieved an ROI (return on investment) of 0.39% in a betting simulation run with one of the configurations. As a result, a neural network approach, especially the feedforward network, has proved to be quite successful in terms of predicting real-time football matches results. Moreover it allowed to build a profitable betting strategy upon it.
|
|
|
Metody detekce, segmentace a klasifikace obtížně definovatelných kostních nádorových lézí ve 3D CT datech
Chmelík, Jiří ; Flusser,, Jan (oponent) ; Kozubek, Michal (oponent) ; Jan, Jiří (vedoucí práce)
Cílem této práce byl vývoj algoritmů pro detekci, segmentaci a klasifikaci obtížně definovatelných kostních metastatických nádorových lézí v oblasti páteře z obrazových CT dat. Pro tyto účely byla vytvořena pacientská databáze anotovaná lékařskými experty. Postupně byly navrženy tři metody, z nichž první je založena na přepracování a kombinaci metod dostupných z předchozího řešení projektu, druhá je velmi rychlá varianta založená na fuzzy k-means shlukové analýze, třetí metoda využívá moderních metod strojového učení, konkrétně hluboké učení konvolučních neuronových sítí. Dále byla navržena modifikace upřesňující výsledky následnou meta-analýzou nalezených kandidátů lézí pomocí náhodného lesa. Dosažené výsledky byly objektivně vyhodnoceny a porovnány s výsledky algoritmů publikovaných jinými autory. Pro hodnocení byly použity dva přístupy: technický, voxelově založený a klinický, objektově založený. Dosažené výsledky byly následně zhodnoceny a diskutovány.
|
|
|
Interaktivní segmentace 3D CT dat s využitím hlubokého učení
Trávníčková, Kateřina ; Hradiš, Michal (oponent) ; Kodym, Oldřich (vedoucí práce)
Tato práce se zaměřuje na možnosti využití neuronových sítí pro segmentaci CT dat s omezenými možnostmi použití anotovaných dat. Hlavním prostředkem pro zlepšení kvality segmentace kostí pomocí modelu trénovaného na malé datové sadě je zde přidání uživatelské interakce. Dále jsou zkoumány možnosti využití transfer learningu v podobě předtrénování na interaktivní segmentaci na jiné než cílové datové sadě a v podobě předtrénování na restauraci dat pomocí cílové datové sady. Všechny zkoumané metody přinášejí určité zlepšení oproti baseline metodě, kterou je použití datově specifického automatického segmentačního modelu. Při trénování s velmi malými trénovacími množinami dochází ke zvýšení hodnoty Dice skóre až o desítky procent. Praktické uplatnění těchto metod může být například v jejich použití coby nástroje pro urychlení tvorby nového segmentačního datasetu.
|
|
|
Separace mluvčích v časové doméně pomocí neuronové sítě
Peška, Jiří ; Černocký, Jan (oponent) ; Žmolíková, Kateřina (vedoucí práce)
Práce se zabývá využitím konvolučních neuronových sítí pro automatickou separaci mluvčích v akustickém prostředí. Cílem je implementovat neuronovou síť podle architektury TasNet za použití frameworku PyTorch, natrénovat síť s různými hodnotami hyperparametrů a porovnat kvalitu separací vzhledem k velikosti síťě. Architektura oproti dosavadním metodám, které převáděly vstupní směs do časově-frekvenční reprezentace, používá konvoluční autoenkodér, který vstupní směs převádí do nezáporné reprezentace, která je optimalizovaná pro extrakci jednotlivých mluvčích. Samotné separace je docíleno aplikací masek, které jsou odhadnuty v separačním modulu. Modul tvoří opakující se posloupnost konvolučních bloků se zvyšující se dilatací, která napomáhá k modelování časových závislostí ve zpracovávané směsi. K vyhodnocení přesnosti byly použity metriky signal to distortion ratio (SDR), dále perceptual evaluation of speech quality (PESQ) a short-time objective intelligibility (STOI). Trénování a vyhodnocování proběhlo za použití Wall Street Journal datasetu (WSJ0). Natrénováním několika modelů s různými hodnotami hyperparametrů bylo možno pozorovat závislost mezi velikostí sítě a hodnotou SDR. Zatímco menší síť dosahovala, po 60 epochách trénování, přesnosti 10.8 dB, větší síť dosahovala až 12.71 dB.
|
host ::
RSS.