|
|
Music Recommendation System
Páleník, Radoslav ; Hrubý, Martin (oponent) ; Zbořil, František (vedoucí práce)
This bachelor thesis aims to study and design computer program, which will be able to recognise 10 essential music genres using deep learning. This classification was implemented by convolutional neural network based on Tensorflow framework. This network process audio file into segments in form of spectograms and returns percentual propability of record being classified into specific genre by features found in spectogram.
|
|
|
Návrh programu pro obsluhu kamer a provádění strojového učení
Lukaszczyk, Jakub ; Richter, Miloslav (oponent) ; Bilík, Šimon (vedoucí práce)
Tato bakalářská práce řeší návrh programu pro ovládání průmyslových kamer. První část se věnuje současným aplikacím, jejich designu a nedostatkům. V praktické části je poté navržena obdobná aplikace v jazyce Python. Oproti současně dostupným aplikacím poskytuje navrhovaná aplikace modulární a otevřený design a lze ji tudíž dále rozšiřovat a modifikovat. Aplikace je nadále doplněna o vazbu na knihovnu Tensorflow a umožňuje tak klasifikaci obrazu a učení modelů umělých neuronových sítí. Aplikace byla otestována a jeví se být funkční. V závěru práce jsou výsledky zhodnoceny a jsou nastíněny možnosti dalšího vývoje.
|
|
|
Podpora deskové hry Nemesis na mobilním telefonu s OS Android
Štěpánek, Miroslav ; Švec, Tomáš (oponent) ; Smrž, Pavel (vedoucí práce)
Cílem této práce je vytvořit mobilní aplikaci k deskové hře Nemesis určenou na systém Android, která umožní uživateli zjistit informace o herních komponentech při hře. Práce se skládá ze dvou hlavních částí, první je model vytvořený za pomoci knihovny Tensorflow, který zajišťuje detekci těchto komponent. Druhou je pak samotná aplikace, která dostává výsledky od dříve zmíněného modelu a zobrazuje výsledné informace uživateli. Toto usnadňuje uživateli hru a pomáhá ji i urychlit. Výsledný systém je možné modifikovat, tak aby byla aplikace využitelná i pro jiné hry.
|
|
|
Hluboké neuronové sítě pro analýzu medicínských obrazových dat
Dronzeková, Michaela ; Kodym, Oldřich (oponent) ; Španěl, Michal (vedoucí práce)
Cieľom tejto práce je využitie konvolučných neurónových sietí na klasifikáciu röntgenových snímok ľudského tela. Na tento účel boli vytvorené štyri neurónové siete, ktoré sa testujú na troch klasifikačných úlohách: klasifikácia bočnej a predozadnej snímky hrudníka, klasifikácia snímok do viacerých kategórií a klasifikácia chorôb na predozadnej snímke hrudníka. Najlepšie výsledky dosiahli siete ResNet a SEResNet. Pri prvej úlohe dosiahla SEResNet presnosť 99,49%, pri druhej mala najlepšie výsledky ResNet s presnosťou 94,97% a v prípade tretej úlohy dosiahla najlepší výsledok opäť SEResNet, 31,53% s použitím metriky F1 measure.
|
|
| |
|
|
Klasifikace arteriálního a žilního řečiště v obrazových datech sítnice
Černohorská, Lucie ; Jakubíček, Roman (oponent) ; Kolář, Radim (vedoucí práce)
Tato práce je zaměřena na klasifikaci arteriálního a žilního řečiště v obrazových datech sítnice. Je zde popsána anatomie oka se zaměřením na cévní zásobení a dále jsou stručně uvedeny zobrazovací a diagnostické metody sítnice. V práci jsou zmíněny metody pro klasifikaci cévního řečiště s důrazem na hluboké učení. Praktická část probíhala v programovacím jazyku Python, kdy byla nejdříve předzpracována retinální sada dat spolu s výpočtem AV poměru. Na základě literární rešerše byla pro klasifikaci cévního řečiště zvolena architektura U-net, která byla modifikována pomocí open-source knihovny Keras. Trénování sítě probíhalo na datasetu získaném pomocí experimentálního video-oftalmoskopu, který poskytuje šedotónové snímky. Modifikovaná architektura byla nejdříve využita pro klasifikaci cév do jednotlivých tříd, a z důvodů neuspokojivých výsledků byla dále implementována na segmentaci retinálního řečiště jako celku či zvlášť na žíly a tepny.
|
|
|
Zvýšení kvality fotografie s použitím hlubokých neuronových sítí
Holub, Jiří ; Přinosil, Jiří (oponent) ; Burget, Radim (vedoucí práce)
Tato diplomová práce se zabývá zvyšováním rozlišení obrázků při zachování jejich dobré kvality. Jsou zde popsány současné metody řešení tohoto problému, dále jsou popsány principy fungování neuronových sítí se zaměřením na sítě konvoluční. Konečně je popsáno několik modelů konvoluční neuronové sítě pro zvýšení rozlišení obrazu na dvojnásobek, které byly natrénovány, otestovány a porovnány na nově vytvořené databázi fotografií lidí.
|
|
|
Inteligentní rozpoznání činnosti uživatele chytrého telefonu
Pustka, Michal ; Goldmann, Tomáš (oponent) ; Drahanský, Martin (vedoucí práce)
Tato práce se zabývá detekcí uživatelských aktivit (např. běhání, chůze, jízda autě atd.) v reálném čase, přičemž k samotné detekci je využito senzorů dostupných v mobilních zařízeních. V rámci práce vznikla aplikace pro sběr dat ze senzorů, pomocí které byla nasbírána data. Dalším produktem této práce je program pro předzpracování naměřených dat a vytvoření datasetu. Součástí práce je vlastní návrh konvoluční neuronové sítě, která slouží ke klasifikaci aktivit. Celou implementační část uzavírá vytvořená knihovna pro detekci aktivit na mobilních zařízeních s Android OS. Spojením všech aplikací vzniká komplexní framework pro vývoj aplikace, využívající detekci uživatelských aktivit. Na závěr jsou provedeny některé zajímavé experimenty pomocí tohoto frameworku (např. vliv konkrétních senzorů na výkon detekce).
|
|
|
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.
|
|
|
Neuronová síť pro přenos stylu
Kadlec, Filip ; Matoušek, Radomil (oponent) ; Hůlka, Tomáš (vedoucí práce)
V této bakalářské práci je popsáno strojové učení, typy umělých neuronových sítí a pochody v neuronových sítích, jako dopředné zpracování dat či trénování a učení samotných sítí. Také se zde srovnávají a popisují prostředky pro implementaci neuronových sítí. Praktická část je věnována problematice přenosu uměleckého stylu pomocí konvoluční neuronové sítě.
|
host ::
RSS.