|
|
Vizuální systém pro detekci obsazenosti parkoviště pomocí hlubokých neuronových sítí
Stránský, Václav ; Veľas, Martin (oponent) ; Rozman, Jaroslav (vedoucí práce)
Počet automobilů neustále roste a jejich parkování se čím dál více komplikuje. Ve městech proto začala vznikat inteligentní parkoviště. Tato práce se zabývá návrhem a implementací robustního systému pro analýzu obsazenosti parkoviště z kamerových záznamů. Systém analyzuje jednotlivá parkovací místa ze záznamů z více-kamerového systému s možností překryvu mezi kamerami. Aplikace je navržena a implementována v Robotickém operačním systému (ROS) a její jádro se skládá ze dvou oddělených klasifikátorů. Úspěšnější, avšak pomalejší, je klasifikace pomocí hluboké neuronové sítě. Rychlou interakci řeší méně přesný klasifikátor pohybu s modelem pozadí. Systém je schopen fungovat v reálném čase, a to na grafické kartě i na procesoru. Úspěšnost systému na testovací datové sadě z reálného provozu jednoho parkoviště přesahuje 95 %.
|
|
|
Zlepšování kvality digitalizovaných textových dokumentů
Trčka, Jan ; Zemčík, Pavel (oponent) ; Juránek, Roman (vedoucí práce)
Cílem této práce je zvýšení úspěšnosti při rozpoznávání textových dokumentů. Práce je zaměřena především na texty nacházející se na degradovaném materiálu jako jsou noviny nebo staré knihy. K řešení tohoto problému jsou analyzovány současné metody a problémy spojené s rozpoznáváním textu. Na základě získaných poznatků je zvolena implementovaná metoda založena na GAN sítích. Na těchto sítích jsou provedeny experimenty pro nalezení jejich vhodné velikosti a parametrů učení. Následně je provedeno testování pro porovnání různých metod učení a srovnání jejich výsledků. Trénování a testování je provedeno na umělém datovém setu, u kterého se zvýší přesnost přepisu z 65.61 % pro nezpracované řádky textu na 93.23 % u řádků zpracovaných sítí GAN.
|
|
|
Semi-Supervised Training of Deep Neural Networks for Speech Recognition
Veselý, Karel ; Ircing, Pavel (oponent) ; Lamel, Lori (oponent) ; Burget, Lukáš (vedoucí práce)
In this thesis, we first present the theory of neural network training for the speech recognition, along with our implementation, that is available as the 'nnet1' training recipe in the Kaldi toolkit. The recipe contains RBM pre-training, mini-batch frame Cross-Entropy training and sequence-discriminative sMBR training. Then we continue with the main topic of this thesis: semi-supervised training of DNN-based ASR systems. Inspired by the literature survey and our initial experiments, we investigated several problems: First, whether the confidences are better to be calculated per-sentence, per-word or per-frame. Second, whether the confidences should be used for data-selection or data-weighting. Both approaches are compatible with the framework of weighted mini-batch SGD training. Then we tried to get better insight into confidence calibration, more precisely whether it can improve the efficiency of semi-supervised training. We also investigated how the model should be re-tuned with the correctly transcribed data. Finally, we proposed a simple recipe that avoids a grid search of hyper-parameters, and therefore is very practical for general use with any dataset. The experiments were conducted on several data-sets: for Babel Vietnamese with 10 hours of transcribed speech, the Word Error Rate (WER) was reduced by 2.5%. For Switchboard English with 14 hours of transcribed speech, the WER was reduced by 3.2%. Although we found it difficult to further improve the performance of semi-supervised training by means of enhancing the confidences, we still believe that our findings are of significant practical value: the untranscribed data are abundant and easy to obtain, and our proposed solution brings solid WER improvements and it is not difficult to replicate.
|
|
|
Synthetic Fingerprint Generation Using GAN
Dvořák, Jiří ; Drahanský, Martin (oponent) ; Kanich, Ondřej (vedoucí práce)
This thesis is focused on the generation of synthetic fingerprints using a model based on the principle of generative adversarial networks. The work summarizes the basic theoretical information about biometrics with emphasis on fingerprints. It also describes the principle of one of the popular synthetic fingerprint generators called SFinGe. The model based on a deep convolutional generative adversarial network is discussed together with several methods that improved its performance. The results were evaluated by computing the Fréchet Inception Distance between the generated and real fingerprints. The generated dataset of 100 samples was also evaluated by NFIQ 2.0 which proved that the proposed model is able to generate fingerprints with almost the same quality of the training samples.
|
|
|
Identifikace osob pomocí hlubokých neuronových sítí
Duban, Michal ; Herout, Adam (oponent) ; Hradiš, Michal (vedoucí práce)
Tato diplomová práce se zabývá návrhem a implementací konvolučních neuronových sítí sloužících k re-identifikaci osob. Implementované konvoluční sítě byly testovány na dvou datových sadách CUHK01 a CUHK03, na kterých dosáhly výsledky srovnatelné se state of the art metodami. Navržené sítě byly implementovány ve frameworku Caffe.
|
|
|
Analýza lokálních struktur DNA
Dvořák, Josef
Tato práce se zabývá návrhem a implementací modelu na bazi umělé inteligence, který bude sloužit ke klasifikaci DNA sekvencí. V první části budou zmíněna stávající řešení, ve druhé části je pak uvedena samotná implementace řešení. Nad řešením bude provedena diskuze a budou zmíněna možná vylepšení nad tímto řešením.
|
|
|
Document Information Extraction
Janík, Roman ; Špaňhel, Jakub (oponent) ; Hradiš, Michal (vedoucí práce)
With development of digitization comes the need for historical document analysis. Named Entity Recognition is an important task for Information extraction and Data mining. The goal of this thesis is to develop a system for extraction of information from Czech historical documents, such as newspapers, chronicles and registry books. An information extraction system was designed, the input of which is scanned historical documents processed by the OCR algorithm. The system is based on a modified RoBERTa model. The extraction of information from Czech historical documents brings challenges in the form of the need for a suitable corpus for historical Czech. The corpora Czech Named Entity Corpus (CNEC) and Czech Historical Named Entity Corpus (CHNEC) were used to train the system, together with my own created corpus. The system achieves 88.85 F1 score on CNEC and 87.19 F1 score on CHNEC, obtaining new state-of-the-art results.
|
|
|
Comparison of deep learning and classical methods for traffic signs detection
Geiger, Petr ; Šikudová, Elena (vedoucí práce) ; Mirbauer, Martin (oponent)
Cílem této práce je prozkoumat a vyhodnotit klasické metody počítačového vidění a metody založené na hlubokých neuronových sítích určené pro detekci pozice závory na železničních přejezdech. Tato práce je založena na počátečním detekčním algoritmu, jehož hlavní komponenta používá detektor stabilní vlny. Tento počáteční algoritmus je v práci nejprve zoptimalizován z hlediska výkonosti i kvality jeho výsledků. Obojí je zásadní, jelikož nejlepší metoda by měla být vhodná jako komponenta real-time bezpečnostního systému pro železniční přejezdy. Dále je implementován další přístup založený na hlubokých neuronových sítích, který je také zoptimalizován v obou aspektech. V průběhu této práce je vytvořeno několik datasetů, jak pro trénování, tak i testování detekčních algoritmů. Oba přístupy jsou nakonec vyhodnoceny na stejných datasetech a jejich výsledky jsou porovnány.
|
|
| |
|
|
Photo Noise Reduction Using Deep Neural Networks
Tichý, Jonáš ; Juránek, Roman (oponent) ; Španěl, Michal (vedoucí práce)
Image noise is a fundamental problem in digital photography. The goal of this thesis is to study the use of deep neural networks in denoising of digital photographs. Two different denoising methods based on deep neural networks, DnCNN and BRDNet, were implemented and their performance was measured in several experiments. Additionally, a user testing experiment was designed and carried out to evaluate the perceived image quality of the studied methods by the general public. The experiments have shown that while both methods achieve state-of-the-art denoising results in metrics such as PSNR and SSIM, the perceived visual quality does not always correlate with the numerical metrics. The results presented in this thesis highlight the importance of proper training datasets and image quality metrics in digital photography denoising.
|
host ::
RSS.