Národní úložiště šedé literatury Nalezeno 282 záznamů.  začátekpředchozí227 - 236dalšíkonec  přejít na záznam: Hledání trvalo 0.01 vteřin. 
Automatická detekce fibrilace síní pomocí metod hlubokého učení
Budíková, Barbora ; Ronzhina, Marina (oponent) ; Hejč, Jakub (vedoucí práce)
Síňová fibrilace je arytmie, která se běžně detekuje z křivky EKG pomocí jejích specifických projevů. Její časné rozpoznání je klíčové k prevenci závažnějších stavů. Automatická detekce fibrilace síní se v posledních letech stále častěji provádí pomocí metod hlubokého učení. Tato práce představuje detekci fibrilace síní v křivce 12svodového EKG pomocí hluboké konvoluční neuronové sítě. V první části práce jsou představeny teoretické souvislosti k práci potřebné, dále je detailně popsán vytvořený algoritmus. Samotná detekce je realizována programem implementovaným v jazyce Python ve dvou algoritmických podobách jejichž přesnost je hodnocena pomocí metrik přesnost (Accuracy) a F1 skóre. Dosažené výsledky jsou diskutovány, vzájemné porovnány a srovnány s výsledky publikací zabývajících se obdobnou problematikou.
Image Restoration Based on Convolutional Neural Networks
Svoboda, Pavel ; Baláž, Teodor (oponent) ; Sojka, Eduard (oponent) ; Zemčík, Pavel (vedoucí práce)
A merit of this thesis is to introduce a unified image restoration approach based on a convolutional neural network which is to some degree degradation type independent. Convolutional neural network models were trained for two different tasks, a motion deblurring of license plate images and a removal of artifacts related to lossy image compression. The capabilities of such models are studied from two main perspectives. Firstly, how well the model can restore an image compared to the state-of-the-art methods. Secondly, what is the model's ability to handle several ranges of the same degradation type. An idea of the unified end-to-end approach is based on a recent development of neural networks and related deep learning in a field of computer vision. The existing hand-engineered methods of image restoration are often highly specialized for a given degradation type and in fact, define state of the art in several image restoration tasks. The end-to-end approach allows to directly train the required model on specifically corrupted images, and, further, to restore various levels of corruption with a single model. For motion deblurring, the end-to-end mapping model derived from models used in computer vision is deployed. Compression artifacts are restored with similar end-to-end based model further enhanced using specialized objective functions together with a network skip architecture. A direct comparison of the convolutional network based models and engineered methods shows that the data-driven approach provides beyond state-of-the-art results with a high ability to generalize over different levels of degradations. Based on the achieved results, this work presents the convolutional neural network based methods suggesting a possibility having the unified approach used for wide range of image restoration tasks.
Controlled Music Generation with Deep Learning
Židek, Marek ; Hajič, Jan (vedoucí práce) ; Matzner, Filip (oponent)
Generování hudby je jedna z nejtežších úloh pro umělou inteligenci. Přístupy založené na strojovém učení již dokázaly přesvědčivě napodobovat skladatelskou práci na kratších hudebních úsecích, nicméně většina současných přístupů nedokáže vytvořit delší koherentní skladby. Tato práce chce ukázat, jak můžeme ovládat modely hlubokého učení z vnějšku, abychom docílili dlouhodobé koherence vygenerovaných skladeb s více hlasy. Pracujeme s klasickou hudbou s instrumentací od klavíru, přes smyčcový kvartet až po symfonické skladby. Ovladatelnost generovacího procesu spočívá ve využívaní hudební formy, která je v abstraktním slova smyslu obecným popisem pro podobnosti a nepodobnosti hudebních pasáží a jejich rozložení ve skladbě. Pro dosáhnutí této ovladatelnosti, (1) navrhujeme pseudometriku pro porovnávání hudení podobností s pomocí již existujících metod, (2) extrahujeme hudbení formu z trénovacích dat pomocí shlukovacího algoritmu nad podobnostními hodnotami, (3) trénujeme tři modely, které generují podobné, nepodobné a lokálně koherentní hudební fragmenty, a (4) navrhujeme způsob, jak využívat extrahované hudební formy společně se třemi modely pro generování delších koherentních skladeb z hudebních fragmentů. Ukazujeme, jak si v generování hudebních fragmentů vedou modely "transformer", když jim předkládáme...
Deep Neural Networks for Time Series Forecasting
Kayabasi, Yigit Mertol ; Pilát, Martin (vedoucí práce) ; Neruda, Roman (oponent)
Předpovı́dánı́ časových řad je úloha, která má jak akademické tak prak- tické využitı́. Přestože byla po dlouhou dobu řešena předevšı́m kvalitativnı́mi metodami a jednoduchými kvantitativnı́mi modely, strojové učenı́ a algoritmy hlubokého učenı́ se použı́vajı́ v modelovánı́ temporálnı́ch dat stále častěji. Je- jich výsledky ale stále zaostávajı́ za jejich výsledky v tradičnějšı́ch oblastech jako např. počı́tačové viděnı́ a zpracovánı́ přirozeného jazyka. Rekurentnı́ neu- ronové sı́tě jsou nejpřirozenějšı́m modelem pro modelovánı́ sekvenčnı́ch dat, ale jejich trénovánı́ může být složité, předevšı́m pro dlouhé posloupnosti. V poslednı́ době mı́sto metod založených na algoritmu zpětného šı́řenı́ přitahujı́ dı́ky svým výsledkům pozornost metody založené na principu tzv. reservoir computing. Ukazuje se, že jsou vhodné předevšı́m pro modelovánı́ chaotických systémů. V této práci prozkoumáme tyto dvě rodiny modelůneuronových sı́tı́z hlediska jejich výsledků a implementace. 1
Multimodality in Machine Translation
Libovický, Jindřich ; Pecina, Pavel (vedoucí práce) ; Specia, Lucia (oponent) ; Čech, Jan (oponent)
Multimodalita ve strojovém překladu Jindřich Libovický Tradičně se většina úloh zpracování přirozeného jazyka řeší výhradně uvnitř jazyka, kdy modely spoléhají na distribuční vlastnosti slov. Hluboké učení se svojí schopností učit se vhodné reprezentace vstupních dat umožňuje využití více informací tím, že trénovací signál nepochází pouze z jazyka, ale o i z obrazové modality. Jednou z úloh, které se pokoušejí využít vizuální informace, je multimodální strojový překlad: překlad popisků obrázků, kdy je stále k dispozici původní obrázek, který lze využít jako vstup pro překladač. Tato práce shrnuje metody společného zpracovávání jazykových dat a fotografií s využitím hlubokého učení. Uvádíme přehled metod, které se využívají k řešení multimodálního strojového překladu a popisujeme náš původní příspěvek k řešení této úlohy. Představujeme metody kombinování více vstupů z potenciálně různých modalit v modelech sekvenčního učení založených na rekurentních neuronových sítích a neuronových sítí s mechanismem sebepozornosti. Uvádíme výsledky, kterých jsme dosáhli při řešení multimodálního strojového překladu a dalších úloh souvisejících se strojovým překladem. Na závěr analyzujeme, jak multimodalita ovlivňuje sémantické vlastnosti větných reprezentací, které v sítích vznikají, a jak sémantické vlastnosti...
Audio Classification with Deep Learning on Limited Data Sets
Harár, Pavol ; Platoš,, Jan (oponent) ; Šimák, Boris (oponent) ; Mekyska, Jiří (vedoucí práce)
Standard procedures of dysphonia diagnosis by a clinical speech therapist have their downsides, mainly because the process is very subjective. Recently, an automatic objective analysis of a speaker's condition gained in popularity. Researchers successfully based their methods on various machine learning algorithms and handcrafted features. These methods, unfortunately, are not directly scalable to other voice disorders and the process of feature engineering is laborious and thus financially and talent expensive. Based on the previous successes, a deep learning approach might help to ease the problems with scalability and generalization, but an obstacle is a limited amount of training data. This is a common denominator in almost all systems for automated medical data analysis. The main aim of this work is to research new approaches to deep-learning-based predictive modeling using limited audio data sets, focusing especially on voice pathology assessment. This work is the first to experiment with deep learning in this field and on so far the largest combined database of dysphonic voices, which was created in this work. It provides a thorough examination of publicly available data sources and identifies their limitations. It describes the design of novel time-frequency representations based on Gabor transform and it presents a new class of loss functions, that yield target representations beneficial for learning. In numerical experiments, it demonstrates improvements in the performance of convolutional neural networks trained on limited audio data sets using the augmented target loss function and the newly proposed time-frequency representations, namely Gabor and Mel scattering.
Semi-supervised deep learning in sequence labeling
Páll, Juraj Eduard ; Šabata, Tomáš (vedoucí práce) ; Flusser, Martin (oponent)
Označování sekvencí ve strojovém učení je typ problému, který zahrnuje při- řazování označení jednotlivým členům sekvence. Pro tento typ problému dosáhlo hluboké učení dobrého výkonu. Jedna z nevýhod tohoto přístupu je jeho zá- vislost na velkém množství označených dat. Semi-supervizované učení zmírňuje tento problém používáním levnějších neoznačených dat spolu s daty označenými. V současnosti je použití semi-supervizovaného hlubokého učení v označování sekvencí limitované. Z tohoto důvodu se tato práce zaměřuje na aplikaci semi- supervizovaného hlubokého učení v označování sekvencí. Práce prozkoumává exis- tující přístupy semi-supervizovaného hlubokého učení a navrhuje vlastní přístupy. Navržené přístupy jsou experimentálně vyhodnocené na úlohách rozpoznávání po- jmenovaných entit a tvaroslovného značkování.
Using neural networks to generate realistic skies
Hojdar, Štěpán ; Křivánek, Jaroslav (vedoucí práce) ; Šikudová, Elena (oponent)
Obor počítačové grafiky široce využívá 360ř fotografií okolního prostředí s vysokým dynamickým rozsahem pro získání realistického osvětlení scény z obrazu. Tento způsob osvětlení scény je rozšířen jak v realistických simulacích, tak v počítačových hrách. Ačkoli tyto mapy prostředí mají mnoho uplatnění, jejich pořizování je náročné, protože výsledná fotografie musí mít vysoké rozlišení i vysoký dynamický rozsah. Protože pořizování těchto fotografií je náročné, jsou drahé a nabídka je velmi omezená. Hluboké neuronové sítě jsou málo prozkoumanou výzkumnou oblastí, která zažívá prudký vývoj. Tyto sítě umí odhadovat chování komplikovaných modelů, jejichž stav se dá ale jednoduše pozorovat - jako například fotografie reálného světa. Neuronové sítě byly v minulosti úspěšně použity k vygenerování nových realisticky vypadajících fotografií (například lidských portrétů). Cílem této diplomové práce je prozkoumat možnost generování realistických obrazů oblohy použitím neuronových sítí. Protože neexistuje žádný veřejně do- stupný dataset obsahující velké množství fotografií oblohy s vysokým dynamic- kým rozsahem, vyvinuli jsme škálovatelný proces zachycení těchto fotografií s levným i drahým vybavením. Implementovali jsme sérii procesů pro upravení za- chycených dat. Ta provede všechny potřebné konverze a připraví data...
Visual Object Tracking in Realtime
Kratochvíla, Lukáš ; Klečka, Jan (oponent) ; Horák, Karel (vedoucí práce)
Tracking a general object in real time on an embedded device is a challenge. Many algorithms for tracking objects have been developed. This thesis introduces some of these algorithms. Different approaches are discussed, including deep learning. Object representations, evaluations datasets and metrics are shown. Many tracking algorithms are presented, eight of them are implemented and evaluated on the VOT dataset.
Mitigace DoS útoků s využitím neuronových sítí
Odehnal, Tomáš ; Wrona, Jan (oponent) ; Kučera, Jan (vedoucí práce)
Bakalářská práce se zabývá návrhem a implementací dvou přístupů pro ochranu před SYN Flood útoky, které patří do DoS útoků. Denial of Service útoky jsou v dnešní době velice rozšířené a jejich provedení není příliš náročné. Přitom mohou způsobit velké finanční škody ať už poskytovatelům připojení, nebo provozovatelům služeb. Cílem práce je zjistit, jestli konvenční algoritmický přístup a heuristický přístup s využitím neuronových sítí jsou schopny mitigace SYN Flood útoků. Podle návrhů obou přístupů byly provedeny jejich implementace. Obě byly následně otestovány.

Národní úložiště šedé literatury : Nalezeno 282 záznamů.   začátekpředchozí227 - 236dalšíkonec  přejít na záznam:
Chcete být upozorněni, pokud se objeví nové záznamy odpovídající tomuto dotazu?
Přihlásit se k odběru RSS.