|
|
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With development of digitization comes the need for historical document analysis.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 The goal of this thesis is to develop a system for extraction of information from Czech historical documents, such as newspapers, chronicles and registry books. An information extraction system was designed, the input of which is scanned historical documents processed by the OCR algorithm.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 The extraction of information from Czech historical documents brings challenges in the form of the need for a suitable corpus for historical Czech.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.
|
|
|
Deep Learning for Image Stitching
Držíková, Diana Maxima ; Vaško, Marek (oponent) ; Španěl, Michal (vedoucí práce)
Stitching digital images is not something unfamiliar to the average technology user. The most common example of stitching can be found in panoramic images, where the algorithm stitches them to achieve a seamless, high-quality picture. Various steps need to be executed to stitch the images. Feature detection, description, and matching play the most important role in achieving the goal. This thesis will dwell deeper into the stitching problematic and will discuss the possible solutions. The traditional approaches to stitching will be explained in order to understand the basic idea behind it. Later on, the neural networks will be used to enhance the feature processing. The SuperPoint and SuperGlue neural networks will be discussed and used for their experiments. The main product of this work is a matching algorithm which uses the SuperPoint and SuperGlue models to stitch the images from grids. Other experiments which helped the process of understanding this problem, will be explained and evaluated.
|
|
|
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.
|
|
|
Generování hodnověrných pozadí obrázků latentních otisků prstů
Gajda, Adam ; Goldmann, Tomáš (oponent) ; Kanich, Ondřej (vedoucí práce)
Tato bakalářská práce se zabývá generováním autentických latentních pozadí otisků prstů pomocí hlubokého učení, konkrétněji pomocí podmíněné generativní adversariální sítě a jiných konvenčnějších metod. Tato práce shrnuje základní teoretické informace o biometrii včetně syntetických otisků prstů a úvodu do umělé inteligence. Hlavní model navržený v této práci se nepovedl kvůli nedostatku unikátních trénovacích dat. Byly diskutovány i další možné důvody. Byl tak vyvinut alternativní způsob generování pozadí latentních otisků prstů a po vizuálním vyhodnocení konečných výsledků a reálných dat byl závěr pozitivní.
|
|
|
Machine Translation Using Syntactic Analysis
Popel, Martin ; Žabokrtský, Zdeněk (vedoucí práce) ; Ircing, Pavel (oponent) ; Čmejrek, Martin (oponent)
Strojový překlad s využitím syntaktické analýzy Martin Popel Tato práce popisuje zlepšení anglicko-českého a česko-anglického strojo- vého překladu pomocí metod, které lze použít i na další jazyky. V první části je popsáno několik zlepšení hloubkově-syntaktického překladače TectoMT, například rozšíření pro další jazyky a domény nebo implementace nového typu překladových modelů využívajících kontext a různé metody strojového učení. V druhé části je popsán neuronový překladač Transformer a jeho vy- lepšení. Po detailní analýze vlivu různých hyperparametrů, bylo optimali- zováno trénování systému tak, že dosáhl o 1.0 BLEU lepšího překladu než nejlepší systém v soutěži WMT2017. Využitím jednojazyčných dat cílového jazyka pomocí nového typu zpětného překladu bylo dosaženo dalšího zlep- šení kvality překladu o 2.8 BLEU. Využitím doménové adaptace zohledňující "překladštinu" (translationese) - tedy zohledněním toho, zda paralelní data jsou původně psána česky, nebo anglicky - byl výsledný systém vylepšen o dalších 0.2 BLEU. Tento výsledný neuronový překladač byl signifikantně lepší (p<0.05) než všechny ostatní anglicko-české a česko-anglické překladače v soutěži WMT2018. Podle výsledků ručního hodnocení byla kvalita tohoto strojového překladu dokonce vyšší než kvalita lidského referenčního překladu.
|
|
|
Object detection for video surveillance using the SSD approach
Dobranský, Marek ; Lokoč, Jakub (vedoucí práce) ; Božovský, Petr (oponent)
Kamerové systémy dnes slouží různým účelům, od bezpečnosti k moni- torování dopravy a marketingu. Nicméně, s rostoucím množstvím kamer se stává manuální sledování videa příliš pracné. V posledních letech se hodně vývoje umělé inteligence zaměřilo na automatické zpracování videa a následný výstup požadovaných upozornění a statistik. Tato práce zkoumá nejmodernější modely hlubokého učení pro detekci objektů v bezpečnostním videu a podrobně se zabývá SSD architekturou. Našim hlavním cílem je zvýšit výkon SSD ar- chitektury aktualizací vnitřní sítě extrahující tzv. feature mapy. V práci jsou navrženy možnosti nahrazení původního VGG modelu pomocí nejnovějších klasi- fikačních sítí ResNet, Xception a NASNet. Experimentálně jsme zjistili, že model ResNet50 nabízí nejlepší kompromis mezi rychlostí a přesností. Tento model zároveň výrazně překonává VGG. Po zavedení řady modifikací do sítě Xception se nám povedlo dorovnat výkon ResNetu. Kromě vylepšení architek- tury také analyzujeme vztah mezi SSD a množstvím detekovaných tříd a jejich výběrem. Také jsme navrhli a implementovali nový detektor, který využívá tem- porální kontext snímku pro detekci objektů. Tento detektor pracuje v...
|
|
|
Converting prose into poetry using neural networks
Gokirmak, Memduh ; Popel, Martin (vedoucí práce) ; Dušek, Ondřej (oponent)
Title: Converting Prose into Poetry with Neural Networks Author: Memduh Gokirmak Institute: Institute of Formal and Applied Linguistics Supervisor: Martin Popel, Institute of Formal and Applied Linguistics Abstract: We present here our attempts to create a system that generates poetry based on a sequence of text provided to it by a user. We explore the use of machine translation and language model technologies based on the neural network architecture. We use different types of data across three languages in our research, and employ and develop metrics to track the quality of the output of the systems we develop. We find that combining machine translation techniques to generate training data to this end with fine-tuning of pre-trained language models provides the most satisfactory generated poetry. Keywords: poetry machine translation language models iii
|
|
|
Interpretability of Neural Networks in Speech Processing
Sarvaš, Marek ; Mošner, Ladislav (oponent) ; Žmolíková, Kateřina (vedoucí práce)
With the growing popularity of deep neural networks, the lack of transparency caused by their black box representation is raising demand for their interpretability. The goal of this thesis is to gain new insights into deep neural networks in speech processing tasks. Specifically, gender classification task on AudioMNIST dataset and speaker classification task on filterbanks from VoxCeleb dataset using convolutional and residual neural network. Layer-wise relevance propagation was used for the interpretation of these neural networks. This method produced heatmaps highlighting features that contributed positively and negatively to the correct classification. As results of interpretation show, classifications were mainly based on lower frequencies in time. In the case of gender classification, I managed to find the model's high dependency on a small number of features. Using obtained information, I created an augmented training set that increased the model's robustness.
|
host ::
RSS.