|
|
Segmentace obrazových dat využitím hlubokých neuronových sítí
Hrdý, Martin ; Myška, Vojtěch (oponent) ; Kiac, Martin (vedoucí práce)
Cílem této diplomové práce je seznámit se a nastudovat teorii současných segmentačních metod, které používají hluboké učení. Na základě teoretických znalostí bude navržena a vytvořena segmentační neuronová síť, která bude schopna segmentovat jednotlivé instance objektů. Segmentační neuronová síť bude zaměřena na detekci elektronických součástek na deskách plošných spojů.
|
|
|
Deep Neural Networks in Image Processing
Ihnatchenko, Luka ; Mrázová, Iveta (vedoucí práce) ; Pilát, Martin (oponent)
Cı́lem této diplomové práce bylo navrhnout vhodnou strategii pro detekci a klasifikaci objektu na mamografických obrázcı́ch. Součástı́ tohoto cı́le je im- plementace experimentálnı́ho frameworku, který bude použit pro přı́pravu dat, učenı́ a porovnánı́ modelů. Při analýze byla použita verze datasetu s useknutými a uplnymi obrazky. Inicializace pomocı́ vah, které byly předběžně přetrénované na obrázcı́ch z jiné domény, zlepšily výkon klasifikátoru. ResNet-34 měl lepšı́ AUC skóre na testovacı́ sadě než ResNet-18. Učenı́ s učitelem a bez učitele s využitı́m minimalizace entropie nemá oproti učenı́ pouze s učitelem žádné významné zlepšenı́. Práce obsahuje vizualizaci predikcı́sı́tě a analýzu representaci znalosti klasifikátoru. Dosažené výsledky pro dataset s useknutými obrázky jsou srovnatelné s výsledky jiného článku, který použil stejnou testovacı́sadu. Pro dataset s úplnými obrázky vysledky trénovánı́ byly suboptimálnı́. 1
|
|
|
Automatické rozpoznání akordů pomocí hlubokých neuronových sítí
Nodžák, Petr ; Bidlo, Michal (oponent) ; Vašíček, Zdeněk (vedoucí práce)
Tato práce se zabývá automatickým rozpoznáváním akordů pomocí neuronových sítí. Tento problém byl rozdělen na dva podproblémy, první podproblém se zaměřuje na experimentální nalezení nejvhodnějšího akustického modelu a druhý na experimentální nalezení nejvhodnějšího jazykového modelu. K celkovému problému se přistupovalo iterativně, kdy nejdříve bylo nalezeno suboptimální řešení prvního podproblému a následně druhého. V práci bylo vytvořeno celkem 19 akustických a 12 jazykových architektur. Pro akustické modely bylo vytvořeno 10 trénovacích datasetů a pro jazykové 3. Celkem bylo natrénováno přes 200 modelů. Nejlepších výsledků bylo dosaženo na akustických modelech reprezentovaných konvolučními sítěmi spolu s jazykovými modely reprezentovanými rekurentními sítěmi s LSTM moduly.
|
|
|
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.
|
|
|
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.
|
|
|
Detekce a rozpoznání zbraně ve scéně
Stuchlík, David ; Goldmann, Tomáš (oponent) ; Drahanský, Martin (vedoucí práce)
Cílem diplomové práce je návrh algoritmu pro detekci a rozpoznání typu zbraně v obrázku. V textu práce jsou nejprve stručně představeny existující metody a techniky detekce různých objektů, primárně jsou však metody zaměřeny na zbraně. Dále jsou stručně nastíněny základy neuronových sítí následované přehledem nejběžnějších detektorů pro hloubkové neuronové sítě. Druhá polovina práce se věnuje implementaci aplikace pro generování obrázků na základě 3D modelu zbraně, tvorbě datového souboru a učení neuronové sítě. V závěru práce jsou stručně shrnuty dosažené výsledky, které jasně indikují, že pro pokrytí obrovské variace reálných zbraní je zapotřebí vygenerovat velké množství trénovacích dat na základě mnoha různých 3D modelů.
|
|
|
Efficient implementation of deep neural networks
Kopál, Jakub ; Mrázová, Iveta (vedoucí práce) ; Střelský, Jakub (oponent)
V posledných rokoch sa algoritmy v oblasti rozpoznávania obrazu založené na hlbokých neurónových sieťach neustále zlepšujú. Úspešnosť týchto algorit- mov dosiahla dokonca takú hranicu, že časť vývoja začala byť zameraná na zvýšenie ich rýchlosti na úkor presnosti. Vďaka najmodernejším pokrokom v oblasti hlbokého učenia a nového hardvéru optimalizovaného pre hlboké ne- urónové siete, je dnes možné detekovať objekty v obraze rýchlosťou viac než stokrát za sekundu s použitím mobilných zariadení. Hlavný cieľ tejto práce je naštudovať a zhrnúť významné metódy v oblasti efektívneho detekovania objektov v obraze a pomocou týchto metód ďalej aplikovať riešenie na daný problém. S použitím najnovších metód sme vyvinuli trakovací algoritmus za- ložený na našich vlastných modeloch na sledovanie vozidiel v reálnom čase za použitia mobilných zariadení. 1
|
|
|
Optical Music Recognition using Deep Neural Networks
Mayer, Jiří ; Pecina, Pavel (vedoucí práce) ; Hajič, Jan (oponent)
Automatický přepis notových zápisů (Optical Music Recognition) je zajímavá úloha, v mnoha ohledech podobná automatickému přepisu textu (Optical Character Recognition). Přináší s sebou ovšem mnoho problémů, které způsobují potíže klasickým metodám počí- tačového vidění. Hluboké neuronové sítě umožnily řešit automatický přepis textu tzv. end-to-end přístupem, kdy se celá úloha řeší najednou. Zkusili jsme použít tuto metodu na problém rozpoznávání notových zápisů, ale zaměřili jsme se pouze na ručně psané zápisy. Pro vyřešení nedostatku trénovacích dat jsme vyvinuli sázecí systém s názvem Mashcima. Tento systém úspěšně napodobuje vzhled datasetu CVC-MUSCIMA. Provedli jsme vyhodnocení našeho přístupu na části datasetu CVC-MUSCIMA s velmi nadějnými výsledky, což naznačuje, že použité řešení je funkční a další práce v tomto směru by mohla vést ještě k dalšímu zlepšení. 1
|
|
|
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.
|
|
|
Exploring Benefits of Transfer Learning in Neural Machine Translation
Kocmi, Tom ; Bojar, Ondřej (vedoucí práce) ; van Genabith, Josef (oponent) ; Cuřin, Jan (oponent)
Název práce: Zkoumání výhod přenosu znalostí v neuronovém strojovém překladu Autor: Tom Kocmi Ústav: Ústav formální a aplikované lingvistiky Vedoucí disertační práce: doc. RNDr. Ondřej Bojar, Ph.D., Ústav formální a aplikované lingvistiky Klíčová slova: transfer znalostí, strojový překlad, hluboké neuronové sítě, jazyky s málo zdroji Abstrakt: Je známo, že neuronový strojový překlad vyžaduje velké množství paralelních trénovacích vět, které obecně brání tomu, aby vynikal na párech jazyků s ne- dostatečným množstvím zdrojů. Tato práe se zabývá využitím translingválního učení na neuronových sítích jako způsobu řešení problému nedostatku zdrojů. Navrhujeme několik přístupů k transferu znalostí za účelem opětovného využití modelu předtrénovaného na jiné jazykové dvojici s velkým množstvím zdrojů. Zvláštní pozornost věnujeme jednoduchosti technik. Studujeme dva scénáře: a) když používáme předtrénovaný model bez jakýchkoli předchozích úprav jeho trénovacího procesu a b) když můžeme předem připravit prvostupňový model pro transfer znalostí pro potřeby dítěte. Pro první scénář představujeme metodu opětovného využití modelu předtrénovaného jinými výzkumníky. V druhém případě předkládáme metodu, která dosáhne ještě většího zlepšení. Kromě navrhovaných technik se zaměřujeme na hloubkovou analýzu technik transferu...
|
host ::
RSS.