|
|
Moderní kompresní formáty digitálního obrazu
Eder, Radek ; Přinosil, Jiří (oponent) ; Číka, Petr (vedoucí práce)
V této bakalářské práci je nastíněna problematika komprese digitálního obrazu. Jsou zde popsány základní barevné modely RGB a YCbCr a převod mezi nimi. Popsány jsou současně používané kodeky digitálního obrazu. Detailněji je rozebrán kompresní formát JPEG, který v současné době je stále nejrozšířenějším formátem pro digitální fotografii. Popsán je postup při digitalizaci obrazu pomocí standardu JPEG, kam patří vzorkování, kvantování a kódování. Dále rozebrány formáty JPEG2000, PNG a WebP. Závěrem práce jsou rozebrány metody pro subjektivní a objektivní vyhodnocení kvality komprese digitálního obrazu. Mezi subjektivní metody patří Double Stimulus Impairment Scale (DSIS) a Double Stimulus Continuous Quality Scale (DSCQS), mezi objektivní pak Mean Squared Error (MSE), Peak Signal to Noise Ratio (PSNR) a Structural Similarity (SSIM). V rámci práce byla vytvořena i aplikace, která umožňuje komprimovat zdrojové obrazu do vybraných formátů. Dále umožňuje provést kvalitativní vyhodnocení komprese a uložit výsledné hodnoty do souboru.
|
|
|
Výukový video kodek
Dvořák, Martin ; Hála, Ondřej (oponent) ; Slanina, Martin (vedoucí práce)
Prvním cílem diplomové práce je prostudování základních principů komprimace obrazových signálů. Seznámení se s technikami používanými pro redukci zbytečnosti a nadbytečnosti v obrazovém signálu. Druhým cílem je, na základě těchto informací, realizovat jednotlivé komprimační nástroje v programovém prostředí Matlab a sestavit tak jednoduchý model video kodeku. Diplomová práce obsahuje popis realizace tří základních komprimačních bloků a sice - kódování uvnitř snímku, mezisnímkové kódování a kódování s proměnnou délkou slova - podle standardu MPEG-2.
|
|
|
Exploiting Approximate Arithmetic Circuits in Neural Networks Inference
Matula, Tomáš ; Mrázek, Vojtěch (oponent) ; Češka, Milan (vedoucí práce)
This thesis is concerned with the utilization of approximate circuits in neural networks to provide energy savings. Various studies showing interesting results already exist, but most of them were very application specific or demonstrated on a small scale. To take this further, we created a platform by nontrivial modifications of robust open-source framework Tensorflow allowing us to simulate approximate computing on known state-of-the-art neural networks e.g. Inception or MobileNet. We focused only on replacement of most computationally expensive parts of convolutional neural networks, which are multiplication operations in convolution layers. We experimentally demonstrated and compared various setups and even that we proceeded without relearning, we were able to obtain promising results. For example, with zero accuracy loss on Inception v4 architecture, we gained almost 8% energy savings which could be valuable, especially in low-power devices or in large neural networks with enormous computational demands.
|
|
|
Restoration of audio signals damaged by quantization
Šiška, Jakub ; Rajmic, Pavel (oponent) ; Záviška, Pavel (vedoucí práce)
This master’s thesis deals with the restoration of audio signals damaged by quantization. The theoretical part starts with a description of quantization and dequantization in general, few existing methods of dequantization of audio signals and theory of sparse representations of signals are also presented. The next part introduces algorithms suitable for dequantization, specifically Douglas–Rachford, Chambolle–Pock, SPADEQ and implementation of these algorithms in MATLAB application in the next chapter. In the last part of this thesis, testing of reconstructed signals using the algorithms takes place and results are evaluated by objective measures SDR, PEMO-Q, PEAQ and subjective listening test MUSHRA.
|
|
|
Sada počítačových cvičení pro Signály a systémy
Pálka, Petr ; Žmolíková, Kateřina (oponent) ; Černocký, Jan (vedoucí práce)
Cílem této práce je transformovat současný formát materiálů k počítačovým cvičení z předmětu Signály a Systémy do prostředí Jupyter. Dosavadní materiály jsou členěny podle témat do jednotlivých PDF souborů, které obsahují relevantní teorii a ukázky MATLAB kódu. Tematické okruhy se zabývají základy digitálního zpracování signálů na počítači. Vytvořené Jupyter notebooky obsahují teoretickou oporu z originální předlohy ve formátu Markdown + LaTeX a~původní implementace pro prostředí MATLAB je zde převedena do jazyka Python. Tyto materiály navíc přímo prezentují výstupy Python kódu typu graf, přehratelné audio, text, obrázek nebo jejich interaktivní kombinace.
|
|
|
Model Compression of Denoising Diffusion Probabilistic Models for Image Generation
Dobiš, Lukáš ; Kišš, Martin (oponent) ; Hradiš, Michal (vedoucí práce)
This thesis is dedicated to optimizating computation in generative diffusion models by evaluating conventional model compression aproaches on Denoising Diffusion Probabilistic Model (DDPM). Model compression was done on parameters of pretrained baseline DDPM neural network by several quantization and pruning methods. These methods were evaluated on three image dataset benchmarks. Results show that quantization and pruning are viable compression methods for downsizing diffusion networks, because they showed little decrease in quality of generated imagery. These results confirm that implemented compression approaches are vital for deployment of diffusion models on resource constrained Edge devices or to offset their compute costs.
|
|
|
Detection and Classification of Vehicles for Embedded Platforms
Skaloš, Patrik ; Hradiš, Michal (oponent) ; Špaňhel, Jakub (vedoucí práce)
This paper evaluates the performance trade-offs of state-of-the-art YOLOv8 object detectors for vehicle detection in surveillance-type images on embedded and low-performance devices. YOLOv8 models of varying sizes, including one with the lightweight MobileNetV2 backbone and YOLOv8-femto with fewer than \num{60000} parameters, were benchmarked across six devices, including three NVIDIA Jetson embedded platforms and the low-performance Raspberry Pi 4B. Various factors influencing performance were considered, such as weight quantization, input resolutions, inference backends, and batch sizes during inference. This study provides valuable insights into the development and deployment of vehicle detectors on a diverse range of devices, including low-performance CPUs and specialized embedded platforms.
|
|
|
Zvyšování bitové hloubky zvukových signálů
Mrázek, Tomáš ; Mokrý, Ondřej (oponent) ; Rajmic, Pavel (vedoucí práce)
Tato bakalářská práce má za úkol se seznámit se základními i pokročilými metodami dekvantizace. Probírá také základy declippingu s bližším pohledem na metodu využívající sociální řídkost. Tuto metodu lze upravit a realizovat algoritmus audio dekvantizace za pomoci sociální řídkosti. Výsledný program si originální soubor nakvantizuje na požadovanou bitovou hloubku a následně ho rekonstruuje do co nejbližší podobnosti s originálem.
|
|
|
Webové aplikace pro podporu výuky komprimačního algoritmu JPEG
Dziuina, Valeriia ; Záviška, Pavel (oponent) ; Rajmic, Pavel (vedoucí práce)
Daná bakalářská práce se zabývá problematikou ztrátové komprese obrazových dat realizované algoritmem JPEG. Je zde popsán samotný algoritmus JPEG a také nezbytné pro jeho pochopení podklady, jako například fyzikální a fyziologická podstata vzniku barvy, její základní parametry a barevné modely RGB a YCbCr. Výsledkem této práce jsou tři webové aplikace, každá ze kterých by měla názorně demonstrovat průběh určitých kroků daného algoritmu a jejich vliv na výsledný obraz. Tyto aplikace jsou nejprve zaměřené na jednodušší pochopení procesu komprese obrazových dat v rámci algoritmu JPEG.
|
|
|
Modelování akcelerátorů neuronových sítí
Klhůfek, Jan ; Sekanina, Lukáš (oponent) ; Mrázek, Vojtěch (vedoucí práce)
Cílem této diplomové práce je zaměřit se na modelování akcelerátorů neuronových sítí s HW podporou kvantizace. Práce nejprve přibližuje koncept výpočtu konvolučních neuronových sítí (CNN) a představuje kategorie různých hardwarových architektur, které slouží k jejich zpracování. Následně jsou shrnuty optimalizační techniky modelů CNN, jejichž cílem je dosáhnout efektivního zpracování na specializovaných hardwarových architekturách. Další část práce obsahuje porovnání existujících analytických nástrojů, jež slouží k odhadu výkonnostních parametrů HW při inferenci, a které jsou rozšiřitelné o implementaci podpory kvantizace. Na základě experimentálního porovnání byl pro účely této práce vybrán nástroj Timeloop. Dále je představen popis fungování tohoto nástroje spolu s návrhem a implementací jeho rozšíření o podporu kvantizace. V závěru práce jsou experimentálně otestovány důsledky různých konfigurací kvantizace na vyhodnocené parametry inference u různých hardwarových architektur.
|
host ::
RSS.