|
|
Evolutionary Algorithms in Convolutional Neural Network Design
Badáň, Filip ; Vašíček, Zdeněk (referee) ; Sekanina, Lukáš (advisor)
This work focuses on automatization of neural network design via the so-called neuroevolution, which employs evolutionary algorithms to construct artificial neural networks or optimise their parameters. The goal of the project is to design and implement an evolutionary algorithm which can be used in the process of designing and optimizing topologies of convolutional neural networks. The effectiveness of the proposed framework was experimentally evaluated on tasks of image classification on datasets MNIST and CIFAR10 and compared with relevant solutions. The results showed that neuroevolution has a potential to successfully find accurate and effective convolutional neural network architectures.
|
|
|
Mobile App for Recognition of Leukocoria in an Image of Human Face
Hřebíček, Pavel ; Kodym, Oldřich (referee) ; Herout, Adam (advisor)
The goal of this thesis is to design and implement a multiplatform multilingual mobile application for detecting leukocoria in an image of human face for iOS and Android platforms. Leukocoria is a whitish light of the pupil, which can be seen on the photo when the flash is used. Early detection of this symptom can save human eyesight. The application itself allows to analyze a user's photo and detect the presence of leukocoria. The goal of the application is to analyze eyes of the human, from which the mobile application name - Eye Check is derived. React Native framework was used to create a multiplatform mobile application. The Dlib library was chosen for human face and eye detection, the OpenCV library for working with the photo. The convolutional neural network was used to classify the eyes for the possible presence of leukocoria. Client-Server communication is solved using the REST architecture. The result is a mobile application that detects leukocoria and allerts the user to visit his doctor if leukocoria is detected.
|
|
|
Basics of Pedestrians Detection in Image by Machine Learning
Lučanský, Peter ; Klečka, Jan (referee) ; Horák, Karel (advisor)
Táto Bakalárska práce sa zaoberá významnou problematikou v oblasti počítačového videnia, ktorou je detekcia osôb/chodcov v obraze, za pomoci metod strojového učenia, spolu s jej možným využitím, vývojom a vysvetlením princípov. Taktiež sa zaoberá testovaním dnes najlepšieho dostupného algoritmu, pričom sa porovnávajú faktory ktoré vplívajú na kvalitu jeho činnosti. Na začiatku je problematika stručne popísaná, potom sa prejde k podrobným popisom dosiahnutých pokrokov. V nasledujúcej časti sú popísané dostupné datasety, ktoré by sa dali použiť pri tréningu detekčného algoritmu. V poslednom rade sú vykonané trénovacie procesy za rozličných podmienok, pričom sú jednotlivé výsledky porovnávané.
|
|
|
The effect of the background and dataset size on training of neural networks for image classification
Mikulec, Vojtěch ; Kolařík, Martin (referee) ; Rajnoha, Martin (advisor)
This bachelor thesis deals with the impact of background and database size on training of neural networks for image classification. The work describes techniques of image processing using convolutional neural networks and the influence of background (noise) and database size on training. The work proposes methods which can be used to achieve faster and more accurate training process of convolutional neural networks. A binary classification of Labeled Faces in the Wild dataset is selected where the background is modified with color change or cropping for each experiment. The size of dataset is crucial for training convolutional neural networks, there are experiments with the size of training set in this work, which simulate a real problem with the lack of data when training convolutional neural networks for image classification.
|
|
|
Dataset generation for specific cases of face recognition
Kolmačka, Tomáš ; Kolařík, Martin (referee) ; Rajnoha, Martin (advisor)
The diploma thesis deals with current problems of person identification and deep learning. Furthermore, the work deals mainly with obtaining quality and diverse data that are used to train deep learning with convolutional neural networks for face recognition. There is very little public access to such data, so the practical part focuses on creating the MakeHuman plugin that will generate a database of random face images. It is possible to generate faces according to five different scenarios in which purely random faces or faces where the same can be seen with modifications such as different hair, beard, hat, glasses and more are created. The scenarios also allow you to generate faces with some expressions or faces as they age. You can set some parameters that give the appearance of the resulting database in the plugin. This can include face images from different angles of rotation, zooming and lighting.
|
|
|
Neural network generator for image similarity measurement
Hipča, Tomáš ; Kolařík, Martin (referee) ; Burget, Radim (advisor)
This thesis deals with designing an automatic generator of deep neural networks for image classification. Theoretical part clarifies what a neural network and formal neuron are. Furthermore, the types of neural network architectures are presented. The focus of this thesis is convolutional neural networks, several pieces of research from this field are mentioned. The practical part of this thesis describes information with regards to the implementation of neural network generator, possible frameworks and programming languages for such implementation. Brief description of the implementation itself is presented as well as implemented layers. Generated neural networks are tested on Google-Landmarks dataset and results are commented upon.
|
|
|
Food classification using deep neural networks
Kuvik, Michal ; Přinosil, Jiří (referee) ; Burget, Radim (advisor)
The aim of this thesis is to study problems of deep convolutional neural networks and the connected classification of images and to experiment with the architecture of particular network with the aim to get the most accurate results on the selected dataset. The thesis is divided into two parts, the first part theoretically outlines the properties and structure of neural networks and briefly introduces selected networks. The second part deals with experiments with this network, such as the impact of data augmentation, batch size and the impact of dropout layers on the accuracy of the network. Subsequently, all results are compared and discussed with the best result achieved an accuracy of 86, 44% on test data.
|
|
|
Defect detection on fiber materials using machine learning
Lang, Matěj ; Richter, Miloslav (referee) ; Honec, Peter (advisor)
Cílem této diplomové práce je automatizace detekce vad ve vláknitých materiálech. Firma SILON se již přes padesát let zabývá výrobou jemné vaty z recyklovaných PET lahví. Tato vata se následně používá ve stavebnictví, automobilovém průmyslu, ale nejčastěji v dámských hygienických potřebách a dětských plenách. Cílem firmy je produkovat co nejkvalitnější výrobek a proto je každá dávka testována v laboratoři s několika přísnými kritérii. Jednám z testů je i množství vadných vláken, jako jsou zacuchané smotky vláken, nebo nevydloužená vlákna, která jsou tvrdá a snadno se lámou. Navrhovaný systém sestává ze snímací lavice fungující jako scanner, která nasnímá vzorek vláken, který byl vložen mezi dvě skleněné desky. Byla provedena série testů s různým osvětlením, která ověřovala vlastnosti Rhodaminu, který se používá právě na rozlišení defektů od ostatních vláken. Tyto defekty mají zpravidla jinou molekulární strukturu, na kterou se barvivo chytá lépe. Protože je Rhodamin fluorescenční barvivo, je možné ho například pod UV světlem snáze rozeznat. Tento postup je využíván při manuální detekci. Při snímání kamerou je možno si vypomoci filtrem na kameře, který odfiltruje excitační světlo a propustí pouze světlo vyzářené Rhodaminem. Součástí výroby skeneru byla i tvorba ovládacího programu. Byla vytvořena vlastní knihovna pro ovládání motoru a byla upravena knihovna pro kameru. Oba systém pak bylo možno ovládat pomocí jednotného GUI, které zajišťovalo pořizování snímku celé desky. Pomocí skeneru byla nasnímána řada snímků, které bylo třeba anotovat, aby bylo možné naučit počítač rozlišovat defekty. Anotace proběhla na pixelové úrovni; každý defekt byl označen v grafickém editoru ve speciální vrstvě. Pro rozlišování byla použita umělá neuronová síť, která funguje na principu konvolucí. Tento typ sítě je navíc plně konvoluční, takže výstupem sítě je obraz, který by měl označit na tom původním vadné pixely. Výsledky naučené sítě jsou v práci prezentovány a diskutovány. Síť byla schopna se naučit rozeznávat většinu defektů a spolehlivě je umí rozeznat a segmentovat. Potíže má v současné době s detekcí rozmazaných defektů na krajích zorného pole a s defekty, jejichž hranice není tolik zřetelná na vstupních obrazech. Nutno zmínit, že zákazník má zájem o kompletní řešení scanneru i s detekčním softwarem a vývoj tohoto zařízení bude pokračovat i po závěru této diplomové práce.
|
|
|
Detection of Graffiti Tags in Image
Fischer, Martin ; Kodym, Oldřich (referee) ; Špaňhel, Jakub (advisor)
The aim of this work is to compare different approaches of computer vision with the intention of automatic detection of graffiti tags in the image. The solution was based on models based on neural networks. Both the proven detection models and the experimental models were tested here. The most accurate one (Faster R-CNN) achieved an accuracy of 83% mAP, indicating the suitability of these models to the tag detection problem.
|
|
|
Detection of Vehicle License Plates in Video
Líbal, Tomáš ; Hradiš, Michal (referee) ; Herout, Adam (advisor)
This thesis deals with preparation of training dataset and training of convolutional neural network for licence plate detection in video. Darknet technology was used for detection, specifically the YOLOv3-tiny neural network model. The solution was focused on the most accurate detection and the smallest number of false positives per image, thus minimizing overall model error. Dataset was prepared from existing freely available datasets, from the dataset provided by the GRAPH@FIT research group, and from self-annotated images created from downloaded YouTube videos. Furthermore, this dataset has been processed using data augmentation, extending it to twice the size. The YOLO Mark tool was used to create annotations. An ROC curve was used to visualize the detection success. Created solution reaches minimum total error 10,849%. Part of the solution is already mentioned dataset.
|
guest ::
