|
|
Identifikace 2D CT axiálních řezů pomocí konvolučních neuronových sítí
Vavřinová, Pavlína ; Harabiš, Vratislav (oponent) ; Jakubíček, Roman (vedoucí práce)
Tato práce se zabývá klasifikací 2D axiálních CT řezů pacientských dat do šesti kategorií. K tomuto záměru byla využita oblast konvolučních neuronových sítí. Pro snadnější porozumění této problematice jsou nejprve vysvětleny základy neuronových sítí obecně a poté principy hlubokého učení zahrnující konvoluční neuronové sítě. Pro účely identifikace axiálních řezů byla vybrána konkrétně síť AlexNet, která byla po uzpůsobení otestovaná na vytvořené datové sadě. Celková úspěšnost klasifikace dosáhla 86%, po finálních úpravách došlo k mírnému zlepšení, kdy identifikační schopnost činila 87%.
|
|
|
Hluboké neuronové sítě v rozpoznávání obrazu
Munzar, Milan ; Kolář, Martin (oponent) ; Hradiš, Michal (vedoucí práce)
Neuronové sítě jsou dnes jeden z nejúspěšnějších modelů pro strojové učení. Můžeme je nalézt v autonomínch robotických systémech, v rozpoznávání objektů i řeči, predikci a mnoha jiných odvětvích umělé inteligence. Tato práce seznámí čtenáře s tímto modelem a jeho rozšířením, které se používá pro rozpoznávání objektů. Posléze popisuje aplikaci těchto konvolučních neuronových sítí(CNNs) pro klasifikaci obrazků na datasetech Caltech101 a Cifar-10. Na příkladu této aplikace diskutuje a měří efektivnost různých technik používaných v CNNs. Výsledky ukazují, že tyto sítě jsou bez dalších rozšíření schopné dosáhnout 80\% přesnosti na datasetu Cifar-10 a 37\% přesnosti na datasetu Caltech101.
|
|
|
Systém pro doporučování filmů
Janko, Pavel ; Zbořil, František (oponent) ; Šůstek, Martin (vedoucí práce)
Tato práce se zabývá především přístupy k sestrojení systému pro doporučování filmů. Je zde obecně popsán princip neuronových sítí a rovněž jsou zde shrnuty základní i pokročilé techniky pro tvorbu doporučovacích systémů. Jádrem práce je návrh, implementace a experimentování se systémem, jehož cílem je doporučování filmů na základě dat pocházejících z volně dostupných datových sad. Pro předpovědi hodnocení, které by uživatel udělil filmům po jejich shlédnutí, systém využívá faktorizační model založený na kolaborativním filtrování. Práce dále řeší souvislosti konfigurace hyperparametrů modelu s přesností doporučení, provádění experimentů za účelem zlepšení přesnosti modelu a nakonec srovnání modelu s existujícími řešeními.
|
|
|
Spolehlivé systémy zpracování obrazu
Honec, Peter ; Janáková, Ilona (vedoucí práce)
V této disertační práci je na příkladech reálných zařízení podrobně ukázán postup návrhu spolehlivých průmyslových vizuálních systémů. Zvláštní pozornost je věnována systému pro detekci vad na pásech nekonečné výroby s využitím řádkových kamer. Systém umožňuje detekci a klasifikaci vad vznikajících ve fázi výroby v reálných podmínkách. V rámci práce byl proveden teoretický rozbor vizuálního systému pro detekci vad na nekonečných pásech, vhodného osvětlení a uspořádání scény. Dále byly vybrány, přizpůsobeny a navrženy klíčové komponenty hardwaru. Po navržení a optimalizaci vhodných algoritmů byl prototyp systému nainstalován na výrobní linku netkaných textilií. Na základě tohoto prototypu vzniklo celkem osm vizuálních systémů nasazených do reálných podmínek v průmyslu
|
|
|
Klasifikace signálu EKG
Smělý, Tomáš ; Harabiš, Vratislav (oponent) ; Hrubeš, Jan (vedoucí práce)
Tato diplomová práce se zabývá klasifikací různých průběhů EKG signálů. Úkolem bylo rozpoznat normální cykly od různých typů arytmií a určit, o jaké poruchy se jedná. Klasifikace byla provedena pomocí neuronových sítí v nadstavbě programového prostředí Matlab (Neural Network Toolbox). Výsledkem této práce je aplikace, která po načtení EKG signálu z databáze provede jeho předzpracování a následnou klasifikaci jednotlivých kvaziperiod do pěti různých tříd. Procentuální výsledky klasifikace jsou uvedeny v závěru práce.
|
|
|
Robustní rozpoznávání mluvčího pomocí neuronových sítí
Profant, Ján ; Rohdin, Johan Andréas (oponent) ; Matějka, Pavel (vedoucí práce)
Tématem této práce je analýza nejmodernějších systémů pro rozpoznávání řečníka za použití neurónových sítí (nazývaných x-vektory) v rozličných podmínkách, jako jsou širokopásmové a úzkopásmové data, který je robustní vůči neviděnému jazyku, specifickému hluku nebo telefonnimu kodeku. Automatický systém mapuje zvukovou nahrávku variabilní délky do fixně dlouhého vektoru, který je následně využit jako reprezentace řečníka. V této práci jsme porovnali systémy založené na neurónových sítich s výsledkem VUT týmu v Speakers in the Wild Speaker Recognition Challenge (SITW), který využíval donedávna velmi populární statistický model - i-vektory. Pozorovali jsme, že s nedávno publikovanými x-vektory dosahujeme 4.38 krát nižší Equal Error Rate pro SITW core-core evaluační sadu v porovnání s výsledkem z roku 2016 od VUT v SITW soutěži. Kromě toho jsme ukázali, že diarizace v nahrávkach s více mluvčími významně snižuje chybovost systému pro SITW core-multi evaluační data, ale podobný trend jsme neviděli pro dataset NIST SRE 2018 VAST.
|
|
|
Biometrie s využitím snímků sítnice s nízkým rozlišením
Smrčková, Markéta ; Odstrčilík, Jan (oponent) ; Kolář, Radim (vedoucí práce)
Tato práce se zabývá návrhem metody pro biometrickou identifikaci ze snímků oční sítnice. První část práce je zaměřena především na principy a pojmy, využívané v biometrii, anatomii oka a metody pro biometrii sítnice. Je zde popsána podstata neuronových sítí a hlubokého učení, které budou v praktické části využity. V poslední části se práce věnuje popisu zvoleného identifikačního algoritmu, jeho implementaci a zhodnocení výsledků biometrického systému.
|
|
|
Zobrazování uživatelských výslovností pro elektronické slovníky
Pešán, Jan ; Chalupníček, Kamil (oponent) ; Černocký, Jan (vedoucí práce)
Tato bakalářská práce se pokouší nalézt nový směr vývoje v oblasti učebních schopností elektronických slovníků. V první části je uvedeno představení základní myšlenky možnosti učení výslovnosti pomocí vizualizace fonémů. Následuje kapitola zabývající se obecným úvodem do metod zpracování řeči využívaných v této práci jako např. HMM nebo Viterbiho algoritmus. Ve třetí kapitole jsou popsány nástroje, pomocí kterých byla provedena implementace celého systému. Další kapitola rozebírá podrobně použitou technologii neuronových sítí jako systému odhadu věrohodností fonémů, popisuje problém kompatibility fonémových sad a použité modely fonémů. Kapitola 5 popisuje konkrétně samotnou implementaci systému. Zde jsou také popsány nástroje použité k přípravě dat pro systém. Ve dvou závěrečných kapitolách je poté obsaženo krátké uživatelské testování společně se screenshoty a zhodnocením celého projektu. Zde jsou také nastíněny další možné cesty vývoje tohoto systému.
|
|
|
Detekce a klasifikace dopravních prostředků v obraze pomocí hlubokých neuronových sítí
Hlavoň, David ; Hradiš, Michal (oponent) ; Rozman, Jaroslav (vedoucí práce)
Práce se zaobírá problematikou neuronových sítí z pohledu úlohy detekce dopravních prostředků v obraze, který byl pořízen z dronu. Jelikož je cílem vytvořit prakticky použitelný detektor, práce jako první popisuje datovou sadu. Dále práce rozebírá několik architektur dopředných neuronových sítí, které byly následně použity při realizaci detektoru. Na architektury neuronových sítí navazují metody tvorby detektoru pomocí naivních metod a současně nejúspěšnějších meta architektur. V druhé části se práce zabývá praktickou realizací detektoru. Výsledkem práce je detektor postavený na meta architektuře Faster R-CNN a neuronové sítí PVA s úspěšností detekce přes 90 % a rychlostí 45 full HD snímků za sekundu.
|
|
|
Recognition of Audio Events Using Deep Neural Networks
Uchytil, Albert ; Černocký, Jan (oponent) ; Schwarz, Petr (vedoucí práce)
A lot of information is carried in sound. The amount of audio data is increasing with a growing technical level of the society. With more data, the task of processing it gets harder for human beings. This thesis is about recognition of audio events using neural networks. We focused on classification of phonemes and their categories. We used the Multilayer perceptron model as a classifier. We examined the relation between the accuracy of the model and its properties. Our goal was to estimate the network setup to obtain the best results. The accuracy is influenced by input features. We examine the relation between a type of the features and the success rate. The differences between input feature types are reduced by using the context. The bigger context we use the better results we get. Problem is, when contexts overlap, overlapping leads to a higher error rate. We have used a neural network with three hidden layers.
|
host ::
RSS.