|
|
Umělá inteligence pro klasifikaci aplikačních služeb v síťové komunikaci
Jelínek, Michael ; Fujdiak, Radek (oponent) ; Blažek, Petr (vedoucí práce)
Diplomová práce se zaměřuje na výběr vhodného algoritmu ke klasifikaci vybraných služeb síťového provozu a jeho implementaci. Teoretická část popisuje dostupné klasifikační přístupy společně s používanými algoritmy a vybrané síťové služby. Praktická část se zaměřuje na přípravu a předzpracování datové sady, výběr a optimalizaci klasifikačního algoritmu a ověření klasifikačních schopností algoritmu na různých scénářích datové sady.
|
|
| |
|
|
Zpracování radarového signálu a fúze informací
Reich, Bořek ; Maršík, Lukáš (oponent) ; Zemčík, Pavel (vedoucí práce)
Tato práce zkoumá možnosti fúze milimetrového radaru a kamery. Navrhuje vhodný postup a využití těchto senzorů za účelem detekce objektů, především se pak zaměřuje na vyhledávání osob a stanovení jejich vzdálenosti od senzorů. Klade důraz na použití konvolučních neuronových sítí jako prostředku pro realizaci fúze a detekce. Výstupem systému jsou informace zjištěné z dat milimetrového radaru i kamery, kdy je po provedení detekce pomocí milimetrového radaru zjištěna vzdálenost osoby. Výsledek fúze senzorů je prověřen pomocí nashromážděných dat z obou senzorů ve zhoršených světelných podmínkách, v neznámém prostředí, na neznámých osobách a pomocí referenčních údajů o vzdálenosti objektů.
|
|
|
Fast Analysis of Borders in Image
Kolesár, Matej ; Španěl, Michal (oponent) ; Herout, Adam (vedoucí práce)
This thesis focuses on the problem of detecting edges in natural images while maintaining high performance per image. First, the existing approaches are analysed and from them the relevant information is extracted. This information is then used to design two architectures that use convolutional neural networks. One architecture is based on RCF and enriches the output, while the other is a combination of RCF and RCN. This combination provides better up-sampling and enriches the output even more. Evaluation was performed on the BSDS500 dataset and the best result was for achieved for the model that combined RCF and RCN with an ODS score of 0.675.
|
|
|
Pokročilá klasifikace poruch srdečního rytmu v EKG
Sláma, Štěpán ; Hejč, Jakub (oponent) ; Ronzhina, Marina (vedoucí práce)
Tato práce se zaměřuje na teoretické objasnění poruch srdečního rytmu a možnosti jejich automatické detekce s využitím sítí hlubokého učení. Pro účely této práce bylo využito celkově 6884 10sekunových záznamů EKG s měřenými osmi svody. Záznamy byly rozděleny do pěti skupin podle srdečních rytmů na skupinu záznamů s fibrilací síní, sinusové rytmy, supraventrikulární rytmy, ventrikulární rytmy a poslední skupinu tvořily záznamy ostatní. Jednotlivé skupiny byly nerovnoměrně zastoupeny a více než 85 % z celkového počtu dat jsou záznamy skupiny sinusového rytmu. Použité klasifikační metody sloužily efektivně jako detektor záznamů nejpočetnější skupiny a nejefektivnější ze všech byl postup tvořený 2D konvoluční neuronovou sítí, do které vstupovala data v podobě skalogramů (klasifikační postup číslo 3). Ta dosahovala výsledků přesnosti (precision) 91 %, úplnosti (recall) 96 % a hodnoty F1-skóre 0,93. Naopak při klasifikaci všech pěti skupin zároveň nebylo dosaženo takto kvalitních výsledků u všech skupin. Nejefektivnějším postupem se jeví varianta sestavena z aplikace PCA na osm vstupních signálů se ziskem jednoho signálu výstupního, který se stává vstupem 1D konvoluční neuronové sítě (klasifikační postup číslo 5). Tento postup dosáhl následujících hodnoty F1-skóre: 1) skupina záznamů s fibrilací síní 0,54, 2) skupina sinusových rytmů 0,91, 3) skupina supraventrikulárních rytmů 0,65, 4) skupina ventrikulárních rytmů 0,68, 5) ostatní záznamy 0,65.
|
|
|
Utilization of Convolution Neural Network Based Road Detection in Mobile Robot Localization
Krejsa, Jiří ; Věchet, Stanislav
Mobile robot on-road navigation requires fusion of both global and local sensory information with an emphasis on the road detection processing. The paper deals with the road detection based on convolution neural networks (CNN) using commonly available tools such as TensorFlow and Keras. The road is defined by its linear boundaries. Network output is formed by the road definition together with classification parameters and serves as a local sensor in Kalman filter based localization. CNN based road detection is currently capable to successfully detect about 90% of images.
|
|
|
Detekce dopravních značek a semaforů
Chocholatý, Tomáš ; Bartl, Vojtěch (oponent) ; Herout, Adam (vedoucí práce)
Práce se zabývá detekcí dopravních značek a semaforů v obraze s využitím konvolučních neuronových sítí. Cílem je vytvoření vhodného detektoru pro detekci a rozpoznání dopravního značení v reálném provozu. Za účelem trénování konvolučních neuronových sítí byly vytvořeny vhodné datové sady, které se skládají ze syntetické i reálné datové sady. Pro syntetickou datovou sadu byl vytvořen generátor, který simuluje různé deformace značek. Vyhodnocení kvality detekce je prováděno pomocí vlastního programu pro kvantitativní vyhodnocování. Podařilo se dosáhnout úspěšnosti 84\% detekovaných značek nad vlastní testovací datovou sadou. Výsledky umožňují zjistit důležitost zastoupení reálné či syntetické datové sady v trénovací sadě a vliv jednotlivých deformací syntetické datové sady na konečnou kvalitu detekce.
|
|
|
Head Pose Estimation in an Image by a Neural Network
Rybnikár, Lukáš ; Goldmann, Tomáš (oponent) ; Orság, Filip (vedoucí práce)
Artificial neural networks are not a novelty, but their recent rise in popularity is noticeable as well as their gain of attention from the masses. This bachelor thesis focuses on the head pose estimation in an image using the convolution neural networks. The fields of use of neural networks are vast and during last years strong enough hardware has been developed to allow us to train these networks under commonly accessible conditions. In theoretical part there are neural networks introduced with an explanation of what they are, how they work, how they are divided followed by a detailed description of convolutional neural networks. In the practical part the necessary tools used for development needed to perform experiments, such as determining appropriate configuration for neural network and optimization to get the best results possible, are described.
|
|
|
Hybrid Deep Question Answering
Aghaebrahimian, Ahmad ; Holub, Martin (vedoucí práce) ; Kordik, Pavel (oponent) ; Pecina, Pavel (oponent)
Název práce: Hybridní hluboké metody pro automatické odpovídání na otázky Autor: Ahmad Aghaebrahimian Ústav: Ústav Formální a Aplikované Lingvistiky Vedoucí disertační práce: RNDr. Martin Holub, Ph.D., Ústav Formální a Ap- likované Lingvistiky Abstrakt: Automatické odpovídání na otázky jakožto jedna z nejstarších úloh z oblasti zpracování přirozeného jazyka je jednou z nejzajímavějších a nejná- ročnějších oblastí výzkumu s množstvím vědeckých a komerčních uplatnění. Od- povídání na otázky jakožto disciplína se ve spojení s informatikou, statistikou, lingvistikou a kognitivní vědou zabývá tvorbou systémů, které automaticky vy- hledávají odpovědi na otázky kladené lidmi v přirozeném jazyce. Tato doktorská disertační práce představuje autorův výzkum uskutečněný v uvedené oblasti. Au- tor předkládá především své studie a výzkum zaměřený na hybridní systémy pro odpovídání na otázky zahrnující vyhledávací stroje pracující jak se struktu- rovanými, tak s nestrukturovanými daty. Jádrem strukturovaného vyhledávacího stroje je state-of-the-art systém založený na znalostních grafech. Nestrukturovaný vyhledávací stroj je tvořen state-of-the-art systémem pro odpovídání na otázky na větné úrovni a systémem pro odpovídání na otázky na úrovni slov s výsledky, které se blíží tomu, čeho dosahují lidé. Tato práce představuje...
|
|
|
Principy a aplikace neuroevoluce
Herec, Jan ; Strnadel, Josef (oponent) ; Bidlo, Michal (vedoucí práce)
Práce se na teoretické úrovni zabývá evolučními algoritmy (EA), neuronovými sítěmi (NN) a jejich syntézou v podobě neuroevoluce. Z praktického hlediska je cílem práce ukázat uplatnění neuroevoluce na dvou odlišných úlohách. První úloha spočívá v evolučním návrhu architektury konvoluční neuronové sítě (CNN), která by dokázala klasifikovat s vysokou přesností ručně psané číslice (z datasetu MNIST). Druhá úloha spočívá v evoluční optimalizaci vah neurokontroléru, který řídí přistání 1. stupně rakety Falcon 9 ve 2D simulaci. Obě úlohy jsou výpočetně velmi náročné a proto byly řešeny na superpočítači. V rámci první úlohy se podařilo navrhnout takové architektury, které při správném natrénování dosahují přesnosti klasifikace 99,49%. Ukázalo se tak, že je možné návrh kvalitních architektur zautomatizovat s využitím neuroevoluce. V rámci druhé úlohy se podařilo optimalizovat váhy neurokontroléru tak, že pro definované počáteční podmínky dovede neurokontrolér model rakety k úspěšnému přistání. V obou úlohách tedy neuroevoluce uspěla.
|
host ::
RSS.