|
|
Rozpoznávání číslic pomocí neuronové sítě
Doupovec, Zdeněk ; Juránek, Roman (oponent) ; Šilhavá, Jana (vedoucí práce)
Tato práce popisuje základními pojmy a principy v oboru neuronových sítí. Blíže se pak věnuje problematice vícevrstvých perceptronových sítí, konkrétně metodě back-propagation. Jsou zde rozebrány výhody a nevýhody zmíněné metody, návrh možného systému rozpoznávání číslic pomocí back-propagation. Cílem je získat konkrétní výsledky z programu schopného rozpoznávat čísla.
|
|
|
Aplikace neuronových sítí v telekomunikacích
Šulák, Michal ; Koula, Ivan (oponent) ; Kacálek, Jan (vedoucí práce)
Diplomová práce obsahuje popis současných směrovacích protokolů a směrovačů, základní principy umělých neuronových sítí a jejich interpretace v souvislosti s využitím při směrování v datových a telekomunikačních sítích. V této práci jsem se zaměřil převážně na neuronové sítě využívající energetické funkce pro výpočet jednotlivých relaxačních stavů a jejich využití při směrování. Pro testování a zjišťování vhodných parametrů jednotlivých funkcí, jsem vytvořil aplikaci, která vypočítává nejkratší cestu a dokáže měnit jednotlivé parametry daných funkcí pro nalezení nejlepšího výsledku stabilního stavu neuronové sítě v porovnání s algoritmy dnes běžně používanými pro vyhledávání nejkratších spojů v datových sítích.
|
|
|
Detekce hran pomocí neuronové sítě
Jamborová, Soňa ; Grézl, František (oponent) ; Švub, Miroslav (vedoucí práce)
Tato práce se zabývá návrhem a implementací softwaru pro detekci hran v obraze pomocí neuronové sítě. Definuje nezbytné základní pojmy v této problematice. Zaměřuje se hlavně na přípravu obrazových informací pro detekci pomocí neuronové sítě. Popisuje a porovnává různé přístupy k využití implementovaného softwaru na syntetické a reálné množině obrázků, včetně experimentů.
|
|
|
Image processing with neural networks
Gróf, Zoltán ; Pohl, Jan (oponent) ; Jirsík, Václav (vedoucí práce)
This bachelor’s thesis centralizes on the possible uses of neural networks in the field of computer vision. This work contains basic theoretic knowledge of the field of neural networks and image processing. It discusses how successfully can neural networks be applied through the separate steps of image processing, what kind of neural networks are suitable for these steps, and what are the problems that might appear with their use. The work discusses the fields of classification and image understanding in a more detailed level. It’s shown how the use of neural networks can be appropriate in these applications. An own program was created as part of this work to demonstrate the classification capabilities of neural networks. It’s shown a neural network is created and trained for the recognition of handwritten numbers. The trained neural network was subject to different tests, through which the conclusion was reached, that it works with a high success rate, but is sensitive to changes in the input objects: change of size and location. A number of possible solutions were designed for this problem.
|
|
|
Algoritmické obchodování na burze s využitím umělých neuronových sítí
Poláček, Samuel ; Beneš, Karel (oponent) ; Szőke, Igor (vedoucí práce)
Algoritmické obchodovanie na rôznych typoch búrz nie je novinkou. Obor neurónových sietí poskytuje mnohé nástroje, ktoré nájdu svoje uplatnenie aj v tejto sfére. Táto bakalárska práca sa zaoberá obchodovaním na trhu s kryptomenami s využitím umelých neurónových sietí. V teoretickej časti práce si vysvetlíme problematiku obchodovania na burze a uvedieme základné pojmy nutné k pochopeniu práce. Po zakončení teoretickej časti uvedením myšlienky obchodovaného média a zoznámením sa s využitými technickými nástrojmi sa v praktickej časti práce budeme venovať experimentom, vďaka ktorým zvolíme vhodnú konfiguráciu topológie a hyperparametrov neurónovej siete. Pokusmi s indikátormi technickej analýzy nám umožní vytvoriť model neurónovej siete, ktorý bude v kombinácií s navrhnutou obchodnou stratégiou generovať profit.
|
|
|
Detekce hran pomocí neuronové sítě
Křepský, Jan ; Grézl, František (oponent) ; Švub, Miroslav (vedoucí práce)
Využití umělých neuronových sítí v digitálním zpracování obrazu není žádnou novinkou. Předmětem této práce je navrhnout a implementovat hranový detektor na bázi neuronové sítě, zjistit, jak moc je použití tohoto přístupu vhodné právě pro detekci hran v obraze a porovnat dosažené výsledky s běžnými detektory. V teoretické části popisuje některé metody předzpracování obrazu, klasického přístupu k detekci hran, jejich ztenčování a dává základ pro pochopení problematiky umělých neuronových sítí.
|
|
|
Umělá neuronová síť RCE
Maceček, Aleš ; Klusáček, Jan (oponent) ; Jirsík, Václav (vedoucí práce)
Práce se zabývá umělou neuronovou sítí RCE, zvláště popisem topologie, vlastností a algoritmem učení sítě. Práce obsahuje popis vytvořeného programu uTeachRCE pro učení RCE sítě a programu RCEin3D, vytvořeného pro vizualizaci procesu učení RCE sítě ve 3D prostoru. RCE síť je srovnávána s vícevrstvou umělou neuronovou sítí s algoritmem učení backpropagation při praktické aplikaci rozpoznávání písmen. Pro popis písmen byly zvoleny momenty invariantní na otočení, posun a změnu měřítka obrazu.
|
|
| |
|
| |
|
|
Segmentace cévního řečiště ve snímcích sítnice metodami hlubokého učení
Serečunová, Stanislava ; Vičar, Tomáš (oponent) ; Kolář, Radim (vedoucí práce)
Táto diplomová práca sa zaoberá využitím hlbokých neurónových sietí so zameraním na segmentáciu obrazu. Teoretická časť obsahuje popis hlbokých neurónových sietí a súhrn využívaných architektúr konvolučných sietí v oblasti segmentácie objektov z obrazu. V praktickej časti bola testovaním existujúcich príkladov používaných architektúr sietí naštudovaná open-source softwarová knižnica pre strojové učenie Tensorflow, implementovaná v programovacom jazyku Python. Obecným problémom použitia konvolučných neurónových sietí je požadované veľké množstvo vstupných dát. Z tohto dôvodu bola vytvorená nová dátová sada skladajúca sa z kombinácie piatich voľne dostupných databáz. Zvolená architektúra siete U-net bola testovaná prvou modifikáciou novo vytvorenej dátovej sady. Na základe výsledkov je zvolená architektúra siete modifikovaná, vďaka čomu bola vytvorená nová sieť, ktorá dosahuje lepšie výsledky než originálna sieť. Modifikovaná architektúra je následne trénovaná na vytvorenej dátovej sade, ktorá obsahuje snímky z rôznych typov fundus kamier. Natrénovaná sieť je vďaka tomuto prístupu vo výsledku robustnejšia a umožňuje segmentaciu cievneho riečiska snímkov z rôznymi parametrami. Modifikovaná architektúra bola otestovaná na databázach STARE, CHASE a HRF. Výsledky boli porovnané z publikovanými metódami segmentácie z literatúry, založených na konvolučných neurónových sieťach, ale aj klasickými metódami segmentácie. Vytvorená sieť vykazuje vysokú úspešnosť segmentácie cievneho riečiska porovnateľnú so state-of-the-art metódami.
|
host ::
RSS.