|
|
Model hlubokého učení vhodný pro vizuální detekci a klasifikaci obecného objektu z průmyslu
Dočkal, Radim ; Honec, Peter (oponent) ; Kratochvíla, Lukáš (vedoucí práce)
Cílem této bakalářské práce je naprogramovat model hlubokého učení pro vizuální detekci a klasifikaci obecného objektu z průmyslu. Práce je rozdělena do pěti kapitol. První kapitola se zabývá rešerší nejpoužívanějších architektur tohoto typu. Druhá kapitola se zabývá výběrem nejvhodnější architektury pro použití v průmyslu. Ve třetí kapitole je popsán postup vytváření vlastního datasetu. Ve čtvrté kapitole je pak popsán celý proces samotné implementace modelu tak, aby každá dílčí část architektury byla dostatečně vysvětlena a v páté kapitole jsou popsány výsledky. Shrnutí výsledků a doporučené procedury pro případnou implementaci v reálném prostředí jsou k nalezení v závěru této práce.
|
|
|
Posilované učení pro hru typu Bomberman
Adamčiak, Jakub ; Beran, Vítězslav (oponent) ; Hradiš, Michal (vedoucí práce)
Cieľom tejto bakalárksej práce je návrh, implementácia a trénovanie modelov posilňovaného učenia na hru typu Bomberman. Je postavená na prostredí Bomberland od firmy CoderOne. Toto prostredie bolo vyvinuté za účelom vzdelávania a výskumu v odvetí umelej inteligencie. V tejto práci rozoberám rôzne nastavenia a problémy s implementovaním agenta do prostredia. Vyskúšal som 2 politiky (MLP a CNN), 2 algoritmy (PPO a A2C) a 5 druhov neurónových sietí pre extrakciu vlastností za pomoci knižníc stable baselines 3 a pytorch. Celkový čas trénovania týchto modelov bol dokopy 1207 reálnych hodín, 4168 strojových hodín a 271 miliónov herných krokov. Aj keď bolo trénovanie neúspešné, táto práca ukazuje proces implementácie modelu posilňovaného učenia do prostredia Gym.
|
|
|
Detection and Classification of Damage in Fingerprint Images Using Neural Nets
Vican, Peter ; Rydlo, Štěpán (oponent) ; Kanich, Ondřej (vedoucí práce)
The aim of the diploma thesis is to study and propose improvement of the current convolutional neural network for the classification and detection of fingerprint disease. An improvement of the current convolutional neural network is the change of library for the algorithm of learning, detecting and classifying fingerprint damage. Other improvements are to change the convolutional neural network model and a change in the activation function. At the same time, preprocessing using the Gabor filter will be added. Another change is in the area of thresholding. Next, there will be a change in general-purpose algorithms that will simplify the work for expanding database creation, the learning process itself, the classification and detection process, and the network testing process. At the same time, this network will be expanded with a new prediction and classification. Specifically the damage caused by eczema, psoriasis, pressure and moisture. The improved convolutional neural network is implemented by PyTorch. The network detects which part of the fingerprint is damaged and draws this part into the fingerprint. At the same time, the type of disease or imprint damage is classified during detection. Synthetic fingerprints are used in network training and are supplemented by real fingerprints.
|
|
|
Detection of persons and evaluation of gender and age in image data
Dobiš, Lukáš ; Vičar, Tomáš (oponent) ; Kolář, Radim (vedoucí práce)
This master thesis describes an approach for automated human recognition by using convolutional neural networks (CNN) to perform facial analysis of persons face in image data. The predicted biometric indicators are following: age, gender, facial landmarks and facial expression. CNN architectures with pretrained weights for each task are described. Age estimation CNN has new weights trained and freezed, then has added new LSTM layers into its architecture. New LSTM layers are trained and tested on newly created video data set. Test results indicate improved age prediction accuracy. Solution for human recognition inference with single image and time series variants, in form of script with interconnected CNNs is explained, and its inference speed performance supports further proposed expansion plans for live video inference.
|
|
|
Simulation of Skin Diseases Effect Using GAN
Bak, Adam ; Goldmann, Tomáš (oponent) ; Kanich, Ondřej (vedoucí práce)
The aim of this master's thesis is to generate a dataset of synthetic fingerprint images that display symptoms of skin disease. The thesis deals with damage caused by skin disease in the fingerprint images and synthetic fingerprint generation. The diseased fingerprints are generated using a model based on Wasserstein GAN with gradient penalty. A unique diseased fingerprint database created at FIT BUT was used for training of the GAN model. The model was trained on three types of skin disease: atopic eczema, psoriasis vulgaris and dyshidrotic eczema. The generator network of the trained WGAN-GP model was used to generate datasets of synthetic fingerprint images. The synthetic images were compared with real fingerprint images using the NFIQ and FiQiVi quality assessment tools and by comparing minutiae location and minutiae orientation distributions in the fingerprint images.
|
|
|
Iris Image Quality Assessment
Vaško, Marek ; Herout, Adam (oponent) ; Hradiš, Michal (vedoucí práce)
Iris image recognition is one of the most accurate ways of biometric identification. Various verification errors can be caused if the biometric system receives poor input. By assessing the image quality it is possible to eliminate inputs causing such errors. There is a relatively insignificant development in the field of iris quality assessment and many methods that could potentially be used have not been tested in this area yet. This work focuses on different quality assessment methods used in face recognition. These quality assessment methods are then applied to the area of iris identification. The solution uses verification systems based on various iResNet and MobileNetV3 architectures. Selected quality assessment methods are applied to individual systems. Different quality assessment methods train either the system directly or use its outputs to obtain information about quality. The resulting system achieves a reduction of false non-match rate by up to 56% with the absolute value of 0.5% for iResNet50 and up to 22 \% with the absolute value of 6.4% for MobileNetV3 when using the best quality assessment method. The results are given for the data set University of Notre Dame Iris CrossSensor 2013 with an input reject rate of 10% and a false match rate of 0.1%.
|
|
|
Pořízení a zpracování sbírky registračních značek vozidel
Kvapilová, Aneta ; Bartl, Vojtěch (oponent) ; Herout, Adam (vedoucí práce)
Diplomová práce se zabývá problematikou pořízení a zpracování datové sady, která obsahuje částečně automaticky zpracované snímky registračních značek vozidel. Cílem je jak pořízení samotných videí, tak i vytvoření sady nástrojů, které budou schopné videa zpracovávat do výsledné datové sady určené k učení neuronových sítí pro monitorování provozu. K realizaci je využit programovací jazyk Python s využitím grafické knihovny OpenCV a frameworku PyTorch pro tvorbu neuronových sítí.
|
|
|
Traffic analysis using on machine learning
Zelený, Ondřej ; Slanina, Martin (oponent) ; Frýza, Tomáš (vedoucí práce)
The aim of this semestral thesis is to investigate the problematic of object detection and clasification for traffic analysis. The theoretical part of the paper takes insight on numerous methods and techniques of object detection and clasification. Further the paper discuses popular frameworks and programming languages for implementation of convolutional neural networks. The practical part shows implementation of chosen model and hardware selection for real system.
|
|
|
Detection and Classification of Damage in Fingerprint Images Using Neural Nets
Vican, Peter ; Drahanský, Martin (oponent) ; Kanich, Ondřej (vedoucí práce)
The aim of this diploma thesis is to study and design experimental improvement of the convolutional neural network for disease detection. Another goal is to extend the classifier with a new type of detection. he new type of detection is damage fingerprint by pressure. The experimentally improved convolutional network is implemented by PyTorch. The network detects which part of the fingerprint is damaged and draws this part into the fingerprint. Synthetic fingerprints are used when training the net. Real fingerprints are added to the synthetic fingerprints.
|
|
|
Hluboké neuronové sítě pro posilované učení
Košák, Václav ; Dobeš, Petr (oponent) ; Hradiš, Michal (vedoucí práce)
Práce popisuje trénovací prostředí pro trénování postavičky chodící po dvou končetinách. Prostředí je implementováno v AI Gym pomocí fyzikálního modelu PyBullet. Úlohy z prostředí jsou řešené pomocí posilovaného učení algoritmem ActorCritic. Každá z úloh je zaměřená na základní pohyby postavičky. Práce ukazuje, pomocí jakých funkcí odměn je algoritmus schopen dospět k řešení úloh.
|
host ::
RSS.