|
|
Rozpoznání výrobce a modelu automobilu v obraze
Buchta, Martin ; Špaňhel, Jakub (oponent) ; Herout, Adam (vedoucí práce)
Tato práce se věnuje problematice klasifikace modelu automobilu z obrazu. Popisuje několik metod, jako konvoluční neuronové sítě, metody omezené na přední/zadní pohled a metody využívající 3D CAD modely. Z těchto přístupů si vybírá konvoluční neuronové sítě, kterým se dále věnuje. Práce obsahuje popis jednotlivých vrstev, ze kterých se taková síť skládá. V praktické části je popsán postup, jakým byl vytvořen klasifikátor, který má přesnost 80,7\,\%. Pro účely ověření funkčnosti byla vytvořena datová sada obsahující 1\,034 fotografií. Práce dále experimentuje s různými architekturami a vyhodnocuje jejich přesnost. Součástí práce je program, který díky detektoru automobilu najde ve videu vozidla a v daném videu je označí čtverečkem a popisem modelem automobilu.
|
|
|
Metodika řešení masivních úloh v GIS
Opatřilová, Irena ; Hanzl, Vlastimil (oponent) ; Cajthaml,, Jiří (oponent) ; Řezník,, Tomáš (oponent) ; Bartoněk, Dalibor (vedoucí práce)
Disertační práce se zabývá problematikou řešení masivních úloh v GIS. Tyto úlohy zpracovávají geografická data velkých objemů a různých formátů. Práce popisuje teoretický rozbor složitosti úloh a možnosti optimalizace dílčích procesů, které vedou k přijatelnému řešení. Zamýšlí se nad možností využití paralelismu v GIS, čímž lze zrychlit zpracování velkého objemu geodat. Navrhuje také způsob optimalizace procesů prostřednictvím algoritmu, který stanoví počet nutných prostředků k úspěšnému vyřešení úlohy v zadaném čase a k přiřazení procesů těmto prostředkům. Dále je zde navržen algoritmus pro optimalizaci při přípravě dat rozsáhlých GIS projektů. Algoritmy byly ověřeny v rámci výzkumného projektu, jehož cílem byla analýza povrchů terénu nad plynovody na území ČR vyjma dvou krajů. Hlavní metodou analýzy byla klasifikace obrazu ortofota, která byla dále zpřesněná filtrací z vrstev ZABAGED. Proto se práce zabývá i možnostmi zpřesnění výsledků klasifikace obrazu s využitím nástrojů GIS a stanovením chybovosti výsledků analýzy. Výstupy analýzy jsou nyní využívány pro strategické plánování údržby a rozvoje plynárenských zařízení v ČR. Výsledky práce mají obecný význam pro řešení stejné třídy úloh v GIS.
|
|
|
Automated Identification of Graphical UI Elements for Robotic Quality Assurance
Válek, Lukáš ; Herout, Adam (oponent) ; Španěl, Michal (vedoucí práce)
This thesis explores the issue of graphical user interface (GUI) screen analysis using convolutional neural networks (CNN) and computer vision methods. The thesis aims to create a system which automatically identifies GUI elements based on pictogram and text information for detected components in an input image. A combination of EfficientNetB1 CNN, OCR, and traditional computer vision methods was used to develop the system. A custom dataset which contains 120k pictograms was used to train the CNN. A UI element semantic dictionary was created, which further utilises the text detected by OCR. Finally, a GUI hierarchy analysis subsystem was created to detect and semantically categorise sections in GUI. The resulting system automatically classifies detected pictograms, suggests additional text classes, and separates the GUI screen into hierarchical sections. The system achieves 81.1% UI element identification accuracy and, on average, analyses a single screen in 0.6 seconds. This system automates repetitive processes, thus decreasing needed person-hours. In the future, the system can be further developed to function as a foundation for automated exploratory testing.
|
|
|
Klasifikace obrazů s pomocí hlubokého učení
Hřebíček, Zdeněk ; Přinosil, Jiří (oponent) ; Mašek, Jan (vedoucí práce)
Práce se zabývá detekcí objektů v obraze a jejich klasifikací do tříd. Klasifikace je zajištěna modely prostředí pro hlubokého učení BVLC/Caffe; Detekci objektů zajišťují algoritmy AlpacaDB/selectivesearch a belltailjp/selective_search_py. Jedním z výsledků této práce je úprava a využití modelu hluboké konvoluční neuronové sítě AlexNet v prostředí BVLC/Caffe. Model byl natrénován s přesností 51,75% pro klasifikaci do 1 000 tříd, následně byl upraven a natrénován pro klasifikaci do 20 tříd s přesnotí 75.50%. Přínosem práce je implementace grafického rozhraní pro detekci a klasifikaci objektů do tříd, jež je implementováno jako aplikace na bázi webového serveru v jazyce Python. Aplikace integruje výše zmíněné algoritmy detekce objektů s klasifikací pomocí BVLC/Caffe. Výslednou aplikaci lze použít jak pro detekci (a klasifikaci) objektů, tak pro rychlé ověření klasifikačních modelů prostředí BVLC/Caffe. Tato aplikace byla pro možnost rozšíření a dlašího využití zveřejněna na serveru GitHub pod licencí Apache 2.0.
|
|
|
Klasifikace obrazů pomocí genetického programování
Jašíčková, Karolína ; Vašíček, Zdeněk (oponent) ; Sekanina, Lukáš (vedoucí práce)
Tato práce se zabývá klasifikací obrazu pomocí genetického programování a koevoluce. Algoritmy genetického programování umožňují generovat spustitelné struktury a navrhovat tak automatizovaně řešení ve formě programů. Použití koevoluce s predikcí fitness snižuje časovou náročnost výpočtu fitness a tím i dobu trvání celého algoritmu. Práce popisuje teoretický základ evolučních algoritmů a zejména kartézské genetické programování. Jsou také popsány vlastnosti koevolučních algoritmů a zejména navržená metoda pro návrh klasifikátoru obrazu s využitím koevoluce fitness prediktorů, jejímž cílem je nalézt kompromis mezi přesností klasifikace, dobou návrhu a složitostí klasifikátoru. Součástí práce je implementace navžené metody, provedení experimentů a srovnání získaných výsledků s ostatními metodami.
|
|
|
Tumor cell classification using deep-learning
Majerčík, Jakub ; Kolář, Radim (oponent) ; Vičar, Tomáš (vedoucí práce)
Classification of microscopic cancer cell images finds its use in a wide variety of biological and medical applications. This work aims to classify two lines of aggressive tumor prostate cells with induced zinc resistance using deep learning methods, and provide an interpretation of occurring classification processes. Dataset consists of more than 750 images, whose acquisition was performed using optical diffraction tomography. This microscopy method allowed for non-invasive cell imaging in their native state. This work shows an implementation of a convolutional neural network, along with methods for visualization of classification processes used to generate localization maps (Grad-CAM and an occlusion-based method). The neural network classifies two prostate cell lines used in study with an accuracy of 98,08% and the aggressive zinc-resistance phenotype with an accuracy of 96,08%. Localization maps and manual segmentation masks of cell borders, nuclei and nucleoli allowed for analysis of sub-celullar regions, which indicates that the decisive region for correct classification is the region of cytoplasm. This is most likely the result of variable vesicle count in cytoplasm, their size, as well as the overall cell size and the morfological structure of their cytoplasmic membrane depending on a given phenotype.
|
|
|
Vision Transformery pre vstavané platformy
Nemčeková, Barbora
Tato práce se zabývá zkoumáním Transformerů vidění pro úlohu klasifikace obrazu, jejich optimalizaci, a nasazení na vybrané vestavěné zařízení. Na vybraných vestavěných zařízení se doposud pro klasifikaci obrazu používaly konvoluční neuronové sítě, avšak s revolucí ve zpracování přirozeného jazyka vznikl zájem o zkoumání transformerů i pro úlohy počítačového vidění. Práce experimentuje s různými druhy kvantizace modelů, jako je int8 kvantizace, int16x8 kvantizace, dynamická kvantizace a SmoothQuant metoda. Výsledky ukazují, že ne všechny transformery vidění je možné kvantizovat s dostatečnou přesností, a to ani při použití specializované metody SmoothQuant. Taktéž se ukázalo, že kvantizovaný transformer model není možné akcelerovat na NPU vybraných zařízení. Ze zkoumaných faktorů, jako je přesnost po optimalizaci modelu, latence a využití paměti na vestavěném zařízení, konvoluční neuronové sítě stále převyšují modely transformerů.
|
|
|
MLOSINT: Classifying Vehicle Losses in Ukraine
Kanát, Antonín ; Špelda, Petr (vedoucí práce) ; Střítecký, Vít (oponent)
Tato práce se zabývá možnostmi využití strojového učení (ML) při analýze zpravodajských informací z otevřených zdrojů (OSINT). Vzhledem k tomu, že data jsou společným vstupem obou oborů, jsou data hlavní optikou, kterou je téma zkoumáno. Pro pochopení celého procesu nasazení ML modelu od sběru dat až po jejich analýzu byl vycvičen a otestován obrazový klasifikátor ztrát ruských vozidel při invazi na Ukrajinu. Tento klasifikátor, vycvičený na více než 50 000 obrázcích z databáze WarSpotting, dosáhl slušné přesnosti 79 % na tréninkových datech pěti nejpočetnějších kategorií snímků. Na testovacích datech z pozdějšího období klesl výkon na 62 %. Jedno z nabízených vysvětlení je, že statické frontové linie a rozšíření dronů vedly k tomu, že většina nedávných snímků byla pořízena ze vzduchu, zatímco tréninková data byla pořízena převážně ze země. Tento výsledek ukázal, jak nevyhnutelné změny i ve zdánlivě dobře spravovaných datech mohou vést k nízkému výkonu ML modelů při nasazení. Kromě změn na bojišti vyšly najevo i hlubší problémy s daty, včetně kaskádových účinků raných rozhodnutí o procesování dat a jejich nevyváženosti. Celkově lze říci, že současné metody klasifikace obrazu nefungují dobře na dostupných nedokonalých datech.
|
|
| |
|
|
Automated Identification of Graphical UI Elements for Robotic Quality Assurance
Válek, Lukáš ; Herout, Adam (oponent) ; Španěl, Michal (vedoucí práce)
This thesis explores the issue of graphical user interface (GUI) screen analysis using convolutional neural networks (CNN) and computer vision methods. The thesis aims to create a system which automatically identifies GUI elements based on pictogram and text information for detected components in an input image. A combination of EfficientNetB1 CNN, OCR, and traditional computer vision methods was used to develop the system. A custom dataset which contains 120k pictograms was used to train the CNN. A UI element semantic dictionary was created, which further utilises the text detected by OCR. Finally, a GUI hierarchy analysis subsystem was created to detect and semantically categorise sections in GUI. The resulting system automatically classifies detected pictograms, suggests additional text classes, and separates the GUI screen into hierarchical sections. The system achieves 81.1% UI element identification accuracy and, on average, analyses a single screen in 0.6 seconds. This system automates repetitive processes, thus decreasing needed person-hours. In the future, the system can be further developed to function as a foundation for automated exploratory testing.
|
host ::
RSS.