|
|
Knihovna pro návrh konvolučních neuronových sítí
Rek, Petr ; Mrázek, Vojtěch (oponent) ; Sekanina, Lukáš (vedoucí práce)
V rámci této diplomové práce je čtenář seznámen s problematikou neuronových a konvolučních neuronových sítí. Na základě těchto znalostí je poté proveden návrh a implementace knihovny umožňující práci s konvolučními neuronovými sítěmi - od návrhu, přes trénování až po validaci. Výsledná knihovna je poté vyhodnocena na klasických úlohách pro konvoluční neuronové sítě a porovnána s jinými knihovnami. Rozšířením knihovny, díky kterému se odliší od jiných volně dostupných, je nezávislost na datovém typu. Každá vrstva může mít až tři na sobě nezávislé datové typy - pro váhy, pro inferenci a pro učení. Za účelem vyhodnocení tohoto rozšíření je součástí knihovny i datový typ s pevnou řádovou čárkou. Vliv této reprezentace na přesnost natrénované sítě je podroben experimentům.
|
|
|
Konvoluční neuronové sítě
Lietavcová, Zuzana ; Zbořil, František (oponent) ; Zbořil, František (vedoucí práce)
Táto práca sa zaoberá problematikou učenia konvolučných neuronových sietí. Ide o druh hlbokých neuronových sietí, ktoré sa v súčasnosti hojne používajú predovšetkým v oblasti rozpoznávania obrazu a spracovania prirodzeného jazyka. Práca popisuje špecifiká konvolučných neuronových sietí oproti tradičným neuronovým sieťam a zameriava sa na vnútorné výpočty, ktoré realizujú pri učení. Konvolučné neurónové siete sa typicky skladajú z niekoľkých typov vrstiev neurónov a cieľom práce je demonštrovať výpočet jednotlivých typov vrstiev. V práci bol navrhnutý a implementovaný demonštračný program učenia jednoduchej konvolučnej siete s využitím vlastnej implementácie neurónovej siete. Správnosť implementácie bola overená natrénovaním siete pre riešenie klasifikačnej úlohy, boli vykonané experimenty s rôznymi architektúrami sietí a ich výsledky porovnané.
|
|
|
Odhad rychlosti vozidla ze záznamu on-board kamery
Janíček, Kryštof ; Bartl, Vojtěch (oponent) ; Špaňhel, Jakub (vedoucí práce)
Tato práce se zabývá návrhem a vývojem systému pro odhad rychlosti vozidla ze záznamu palubní kamery. Odhad rychlosti je založen na odhadu optického toku mezi dvěma snímky a konvoluční neuronové síti. Na vytvořené datové sadě dokáže navržený systém odhadnout rychlost s průměrnou chybou 20% při rychlostech vyšších než 35 kilometrů za hodinu.
|
|
|
Detekce, sledování a klasifikace automobilů
Vopálenský, Radek ; Sochor, Jakub (oponent) ; Juránek, Roman (vedoucí práce)
Cílem této diplomové práce je navrhnout a implementovat v jazyce C++ systém pro detekci, sledování a klasifikaci automobilů ze streamů nebo záznamů dopravních kamer. Systém běží na platformě robotického operačního systému a využívá knihovny OpenCV, FFmpeg, TensorFlow a Keras. Pro detekci je využit kaskádový klasifikátor, pro sledování Kalmanův filtr a pro klasifikaci konvoluční neuronová síť. Z celkového počtu 627 automobilů bylo správně sledováno 479. Z toho bylo klasifikováno celkem 458 (nejsou zahrnuty kamiony nebo nákladní automobily). Výsledný systém je možné využívat pro analýzu dopravy.
|
|
|
Mobilní aplikace využívající hlubokých konvolučních neuronových sítí
Poliak, Sebastián ; Herout, Adam (oponent) ; Sochor, Jakub (vedoucí práce)
Táto práca popisuje proces tvorby mobilnej aplikácie, ktorá využíva hlboké konvolučné neurónové siete. Proces začína predstavením hlavnej myšlienky, po ktorej nasleduje produktový a technický návrh, implementácia a vyhodnotenie. Práca taktiež skúma technické pozadie rozpoznávania obrazu, a vyberá najvhodnejšie možnosti pre účely aplikácie. Tie sú detekcia objektov a multi-label klasifikácia, ktoré sú obe implementované, vyhodnotené a porovnané. Výsledná aplikácia sa snaží priniesť hodnotu z užívateľského aj technického hľadiska.
|
|
|
Konvoluční neuronová síť pro segmentaci obrazu
Mitrenga, Michal ; Petyovský, Petr (oponent) ; Jirsík, Václav (vedoucí práce)
Cílem bakalářské práce je seznámit se s problematikou konvolučních neuronových sítí a realizovat segmentaci obrazu. Toto téma v sobě zahrnuje obor počítačového vidění, který je používán v systémech s umělou inteligencí. Zvláštní pozornost je věnována procesu segmentace obrazu. Dále se práce věnuje základním principům umělých neuronových sítí, struktuře konvolučních neuronových sítí a zejména pak popisu jednotlivých architektur sémantické segmentace. Vybraná architektura SegNet je použiti v praktické aplikaci spolu s před-učenou sítí. Součástí práce je databáze obrazů CamVid, která je použita pro trénování. Pro testování je vytvořena databáze vlastních snímků. Praktická část je zaměřená na trénování CNN a hledání nevhodnějších parametrů pro učení sítě za pomocí SW Matlab.
|
|
|
Zpětnovazební učení pro řešení herních algoritmů
Daňhelová, Jana ; Uher, Václav (oponent) ; Kolařík, Martin (vedoucí práce)
Bakalářská práce Zpětnovazební učení pro řešení herních algoritmů je rozdělena do dvou částí. V teoretické části jsou popsány a srovnávány základní metody zpětnovazebního učení, přičemž zvláštní pozornost je věnována metodám aktivního učení – Q-učení a hlubokému učení. Praktická část je zaměřena na aplikaci metody deep learning na hru Had. Výsledky jsou prezentovány ve formě programu napsaného v programovacím jazyku Python, který se skládá z herního prostředí vytvořeného v PyGame, modelu konvoluční neuronové sítě zkonstruovaného v knihovně Keras a herního agenta. Výstupem programu je několik typů datasetů ve formátu csv. Získaná data, obsahující hodnoty jednotlivých parametrů jako počet epoch, přesnost, ztráta nebo výše odměny, mohou být následně použita jako podklady pro další zpracování.
|
|
|
Automatic 3D segmentation of brain images
Bafrnec, Matúš ; Dorazil, Jan (oponent) ; Kolařík, Martin (vedoucí práce)
This bachelor thesis describes the design and implementation of the system for automatic 3D segmentation of a brain based on convolutional neural networks. The first part is dedicated to a brief history of neural networks and a theoretical description of the functionality of convolutional neural networks. It represents a fast introduction to the problematics and provides theoretical basics needed for the understanding and creation of the system. Individual layers of the neural network and principles of their functionality and mutual relations are also described in this part. The second part of the thesis is about problem analysis, designing of a solution and a comparison between neural networks and other solutions. The result of a magnetic resonance imaging of the head is a series of black-and-white images representing a 3D scan. The task is to tag a brain and to remove unnecessary information in the form of surrounding tissues. The final image of the brain can be utilized in a volumetry or during a diagnostic of neurodegenerative diseases. The advantage of neural networks in comparison with deterministic systems is their flexibility. They allow an adaptation to other segmentation problems just by changing the training dataset, without a need of changes in the architecture. One of the systems performing fully automatic 3D segmentation is called U-Net – its name comes from the similarity of the architecture with the letter U. Three real solutions, the first implementation of U-Net, extended U-Net and recurrent U-Net were presented. The first version of U-Net has been very memory-demanding, it required a training on a processor instead of a graphic card and has not allowed data processing in full resolution. The extended U-Net has resolved these problems by loading data in overlaying series of three images. In addition to the possibility of a training on a graphic card with related decrease in learning time, the accuracy was increased by adding interconnections to the internal architecture of the network. The last version, recurrent U-Net, aims for the optimization of extended U-Net based on the reusage of existing levels. This brings a decrease in a time and resource difficulty. The number of parameters of the network was lowered to less than 20%, without any increase in case of further level addition. This network is one of first recurrent networks used on the problem of 3D segmentation and provides a foundation to further research. The last part focuses on the evaluation of results and the comparison of accuracy, speed and requirements between particular networks. The accuracy of human and machine segmentation is also compared. The extended and recurrent U-Net have surpassed their human opponent, which in real case could save a lot of doctors time and prevent human mistakes. The result of this work is a theoretical basis providing an introduction to the problematics of convolutional neural networks and segmentation, fully working systems for automatic 3D segmentation and the foundation for further research in the field of recurrent networks.
|
|
|
Protection of sensitive data contained in images
Mezina, Anzhelika ; Rajnoha, Martin (oponent) ; Burget, Radim (vedoucí práce)
This work is focused on application of deep learning in security problem of escape sensitive information, that is contained in images. The presented solution of this problem is using Single Shot Multibox Detector and Fully Connected Network (FCN). FCN is faster than other methods and can be applied in industry, where is a need to analyse input and output information very quickly, for example, in network traffic analysis. In the first part of this work, methods that can be used in keyword detection are described. The second part contains a description of experiment and achieved results for two models of neural network: Single Shot Multibox Detector and Fully Connected Network. The second one gave better results and can be used in practice.
|
|
|
Detekce semaforu ve snímku dopravní situace
Boček, Václav ; Jirsík, Václav (oponent) ; Horák, Karel (vedoucí práce)
Tato bakalářská práce se zabývá detekcí semaforu a rozpoznáním stavu jeho světel na snímku z dopravní situace pomocí metod strojového učení. V teoretické části textu jsou zmíněny rozdílné přístupy k řešení tohoto problému. V praktické části je popsán vlastní návrh systému s využitím konvolučních neuronových sítí a výsledky testování navrženého systému.
|
host ::
RSS.