|
|
Výpočet mapy disparity ze stereo obrazu
Tábi, Roman ; Maršík, Lukáš (oponent) ; Španěl, Michal (vedoucí práce)
Diplomová práca sa zameriava na výpočet mapy disparity s použitím konvolučnej neurónovej siete. Preberá problematiku použitia konvolučných neurónových sietí pre porovnanie obrazov a výpočet disparity zo stereo obrazu ako aj existujúce prístupy pre riešenie zvoleného problému. Navrhuje a implementuje systém pozostávajúci z konvolučnej neurónovej siete pre odhad podobnosti dvoch výrezov obrazu, a metód pre filtráciu a vyhladenie výslednej mapy disparity. Experimenty a výsledky ukázali, že najkvalitnejšie disparitné mapy generuje riešenie, kde neurónová sieť porovnáva výrezy s rozmermi 9x9 pixlov v spojení s algoritmom pre agregáciu a korekciu párovacej ceny a bilaterálnym filtrom.
|
|
|
Detekce a rozpoznání hub v přirozeném prostředí
Steinhauser, Dominik ; Juránek, Roman (oponent) ; Špaňhel, Jakub (vedoucí práce)
Práce řeší problém detekce a klasifikace hub na fotografiích v přirozeném prostředí. K řešení jsem použil konvoluční neuronové sítě. Začátek práce je věnován teorii neuronových sítí. Dále je v práci řešena detekce hub a jejich klasifikace. S pomocí plně konvoluční neuronové sítě je vyřešen i problém lokalizace hub. Výsledky naučených neuronových sítí jsou analyzovány.
|
|
|
Počítačová podpora rozpoznávání a klasifikace rodových erbů
Vídeňský, František ; Kočí, Radek (oponent) ; Zbořil, František (vedoucí práce)
Tato diplomová práce se zabývá návrhem systému pro rozpoznávání a klasifikaci rodových erbů jako celku i jeho jednotlivých heraldických součástí. V práci jsou představeny metody počítačového vidění pro segmentaci a detekci objektu a vybrány nejvhodnější z nich. Převážná část součástí erbu je segmentovaná pomocí konvolučních neuronových sítí a zbylé pomocí aktivních kontur. Pro detekci erbů v obraze byla vybrána metoda Histogramu orientovaných gradientů. Pro trénování i ověření funkčnosti je využita vlastní datová sada. Výsledný systém je možné použít jako pomocný nástroj v pomocných vědách historických.
|
|
|
Deep neural networks and their application for economic data processing
Witzany, Tomáš ; Mrázová, Iveta (vedoucí práce) ; Křen, Tomáš (oponent)
Název práce: Hluboké neuronové sítě a jejich využití při zpracování ekonomických dat Autor: Bc. Tomáš Witzany Katedra: Katedra teoretické informatiky a matematické logiky Vedoucí diplomové práce: Doc. RNDr. Iveta Mrázová, CSc., Katedra teoretické informatiky a matematické logiky Abstrakt: Analýza makroekonomických časových řad je klíčová pro informovanost rozhodnutí politiků na národní úrovni. Analýza ekonomických údajů má boha- tou historii a zejména v oblasti modelování nelineárních závislostí zůstává mnoho otevřených otázek. K moderním nástrojům pro analýzu časových řad patří mimo jiné metody strojového učení. Z těchto metod neuronové sítě patří k jedné z nejpoužívanějších, jak modelovat nelineární závislosti. Cíl této práce spočívá ve studiu hlubokých neuronových sítí, analýze jejich vlastností a posouzení jejich kvalit pro řešení úloh, například prognózu vývoje HDP nebo klastrování zemí. Použité modely zahrnují vrstevnaté neuronové sítě, LSTM sítě, konvoluční sítě a Kohonenovy mapy. K analýze a testování studovaných modelů byla použita historická data poskytovaná Organizací spojených národů a Světovou bankou. Tato data zahrnují historii makroekonomického vývoje přes...
|
|
|
Neural networks for automatic speaker, language, and sex identification
Do, Ngoc ; Jurčíček, Filip (vedoucí práce) ; Peterek, Nino (oponent)
Název: Neuronové sítě pro automatické rozpoznávání řečníka, jazyka a pohlaví Autorka: Bich-Ngoc Do Katedra: Ústav formální a aplikované lingvistiky Vedoucí práce: Ing. Mgr. Filip Jurek, Ph.D., Ústav formální a aplikované lingvistiky, a Dr. Marco Wiering, Institut umělé inteligence a kognitivních věd, Fakulta matematiky a přírodních věd, Univerzita v Groningenu Abstrakt: Rozpoznávání řečníka je náročný úkol a má využití v mnoha oblastech, například využítí pro autorizaci nebo forenzní vědě. V posledních letech se rozšířil koncept učení hlubokých, především hluboké neuronové sítě, které se ukázaly jako schopná technika strojového učení a dosáhly výborných úspěchů v mnoha oblastech výzkumu zpracování přirozeného jazyka a zpra- cování mluveného slova. Tato práce si dává za cíl prozkoumat možnosti modelu hlubokých neuronových sítí, rekurentních neuronových sítí v úloze rozpoznávání řečníka. Námi navržené systémy byly vyhodnoceny na kor- pusu TIMIT pro úlohu identifikace řečníka. V porovnání s jinými systémy za stejných testových podmínkách náš systém nedosáhl referenčních výsledků kvůli nedostatku validačních dat. Naše experimenty ukázaly, že nejlepší konfigurace systému je...
|
|
|
Deep neural networks and their application for image data processing
Golovizin, Andrey ; Mrázová, Iveta (vedoucí práce) ; Holan, Tomáš (oponent)
V oblasti rozpoznávání obrázků dnes patří k nejslibnějším modelům tzv. hluboké neuronové sítě, které často dosahují výrazně lepších výsledků než tradiční techniky, navíc bez nutnosti cíleného předzpracování vstupních dat. Tato práce se zabývá studiem a analýzou vlastností tří základních variant hlubokých neuronových sítí, a to neokognitronu, konvolučních neuronových sítí a DBN-sítí (deep belief networks). Na základě rozsáhlého testování popisovaných modelů na standardní úloze rozpoznávání ručně psaných číslic se jako nejvhodnější pro rozpoznávání obecných obrazových dat jeví konvoluční neuronové sítě. Ty jsme proto použili i při rozpoznávání obrázků z rozsáhlých datových sad CIFAR-10 a ImageNet. Pro optimalizaci architektury použité sítě jsme navrhli vlastní algoritmus prořezávání založený na analýze hlavních komponent (PCA). Powered by TCPDF (www.tcpdf.org)
|
|
|
Deep neural networks and their implementation
Vojt, Ján ; Mrázová, Iveta (vedoucí práce) ; Božovský, Petr (oponent)
Hluboké neuronové sítě jsou efektivní a univerzální model schopný řešit širokou škálu úloh. Tato práce je zaměřena na studium tří různých typů hlubokých neuronových sítí - vícevrstvý perceptron, konvoluční neuronové sítě, a sítě typu DBN (deep belief). Všechny popisované modely hlubokých neurónových sítí jsou naimplementovány na paralelní hardvérové architektuře, a otestovány pro různa nastavení architektury sítě i jejích parametrů. Implementovaný systém je doplněn detailní dokumentací softvérového návrhu a popisem použitých optimalizací. Efektivitu implemenetovaného frameworku dokládají i výsledky provedených výkonnostních testů. Významnou součást práce představuje i testování dalších existujících frameworků s podporou hlubokých neuronových sítí. Porovnání ukazuje, že framework vytvořený v rámci této práce dosáhl lepších výkonnostních výsledků než testované konkurenční implementace vícevrstvých perceptronů a konvolučních neuronových sítí. Implementace sítí typu DBN dosahuje v porovnání s konkurenční implementací mírně lepších výkonnostních výsledků pro RBM vrstvy o velikosti do 1000 neuronů, ale znatelně slabších výkonnostních výsledků pro robustnější RBM vrstvy. Powered by TCPDF (www.tcpdf.org)
|
|
|
Convolutional neural networks and their application in object detection
Hrinčár, Matej ; Mrázová, Iveta (vedoucí práce) ; Pešková, Klára (oponent)
1 Názov práce: Konvoluční neuronové sítě a jejich využití při detekci objektů Autor: Matej Hrinčár Katedra (ústav): Katedra teoretické informatiky a matematické logiky (32-KTIML) Vedúci diplomovej práce: doc. RNDr. Iveta Mrázová, CSc. E-mail vedúceho práce: Iveta.Mrazova@mff.cuni.cz Abstrakt: V dnešnej dobe je moderné zatraktívňovať športové prenosy tzv. rožšírenou realitou, napríklad k hráčom hokejového zápasu zobraziť rôzne štatistiky. Aby sme to mohli urobiť, musíme hráčov najprv automaticky nájsť - detekovať. Touto náročnou úlohou sa zaoberá predložená práca. Išlo nám nielen o presnosť, ale i o rýchlosť, pretože by sme mali byť schopní detekcie v reálnom čase. Využili sme jeden z novších modelov neurónových sietí - konvolučné siete. Sú vhodné na spracovanie obrazových dát a ako vstup dostávajú obrázok bez akéhokoľvek predspracovania. Na základe podrobnej analýzy a urobených testov sme si ich vybrali pre implementáciu detektora hokejových hráčov v hokejovom zápase. V práci sme otestovali niekoľko rôznych architektúr týchto sietí, porovnali ich a vybrali tú z nich, ktorá je presná a rýchla. Otestovali sme i robustnosť siete na zašumených vzoroch. Nakoniec sme pre takto detekovaných hráčov použili farbu ich dresu a na jej základe ich pomocou algoritmu K-means zaradili do jedného z práve hrajúcich tímov....
|
|
| |
|
|
Konvoluční neuronové sítě a jejich implementace
Schmid, Martin ; Mrázová, Iveta (vedoucí práce) ; Petříčková, Zuzana (oponent)
Tato práce ukazuje možnost využití konvolučních neuronových sítí pro rozpoznávání symbolů z obrázku. Popisuje tento model a také představuje jeho implementaci. Tato implementaci je následně použita v ukázkové aplikaci. Nejprve je představen model neuronových sítí. Poté následuje popis učení tohoto modelu, včetně bližšího popisu algoritmu zpětného šíření. Nakonec je rozebrán model konvolučních neuronových sítí, kde jsou ukázány jeho přednosti při rozpoznávání obrázků Dále se analyzují některé stávající implementace neuronových sítí. Každá je blíže představena a nakonec porovnány rychlosti. Protože žádná z těchto implementací nepodporuje model konvolučních neuronových sítí, je jedna z implementací o tento model rozšířena. Následuje bližší popis problematiky implementace tohoto modelu a představeno rozhraní rozšířené knihovny (tj. jak uživatel tuto knihovnu může použít). Pro předvedení vlastností konvolučních neuronových sítí a funkčnosti této knihovny, je nakonec vytvořena ukázková aplikace. Aplikace je dostupná na webových stránkách a spustitelná v prohlížeči. Využívá této knihovnu pro rozpoznávání symbolů kreslených uživatelem přímo do této aplikace. Klíčová slova: Konvoluční neuronové sítě, OCR, Encog 6
|
host ::
RSS.