|
|
Určení místa původu hudebních interpretací české komorní a orchestrální hudby za pomoci technik Music Information Retrieval
Miklánek, Štěpán ; Mekyska, Jiří (oponent) ; Kiska, Tomáš (vedoucí práce)
Tato práce se zabývá statistickou analýzou nahrávek české komorní a orchestrální hudby. Významná část této práce je věnována problematice extrakce parametrů z nahrávek. V rámci extrakce parametrů jsou využity techniky zpracování hudebního signálu používané v oblasti Music Information Retrieval. Dále jsou v práci představeny kroky při zpracovávání databází nahrávek a výběru stejných notových úseků z jednotlivých interpretací skladeb pomocí dynamického borcení časové osy. Pro účely výběru stejného notového úseků z interpretací byl naprogramován nástroj v prostředí MATLAB. V neposlední řadě je představen vyhodnocovací systém, pomocí kterého je prováděna klasifikace nahrávek podle místa původu. Samotná klasifikace je provedena v podobě binárního rozdělení na dvě skupiny Česko a svět. První část vyhodnocení spočívá v individuální analýze jednotlivých statistických parametrů, přičemž je hodnocena jejich diskriminační síla. Druhá část vyhodnocení spočívá v selekci skupin parametrů, které by měly zvýšit přesnost klasifikace oproti individuální analýze parametrů.
|
|
|
Rozpoznávání hudebních nástrojů ze zvukových nahrávek za pomoci technik Music Information Retrieval
Kárník, Radoslav ; Mucha, Ján (oponent) ; Kiska, Tomáš (vedoucí práce)
Tato práce se zabývá návrhem a realizací klasifikačního systému pro rozpoznání hudebních nástrojů z hudebních nahrávek s využitím metod Music Information Retrieval. V první části práce jsou popsány jednotlivé parametry vhodné k rozpoznávání nástrojů, jejich výpočet z nahrávek a následná redukce příznakového vektoru. Další části jsou věnovány výběru, ladění a implementaci klasifikátorů v prostředí Python se zaměřením na neuronové sítě. Tyto klasifikátory jsou dále testovány na nahrávkách z databáze IRMAS, které obsahují 11 různých hudebních nástrojů hrající sólo anebo s dalšími nástroji. V poslední části jsou porovnány výsledky klasifikátorů při použití různých parametrů a různého počtu nástrojů.
|
|
|
Klasifikace patologických obratlů v CT snímcích páteře s využitím metod strojového učení
Tyshchenko, Bohdan ; Ronzhina, Marina (oponent) ; Chmelík, Jiří (vedoucí práce)
Tato diplomová práce se zaměřuje na detekci patologických obratlů v CT snímcích páteře s využitím metod strojového učení. V rámci teoretické části je popsána anatomie páteře, výskyt patologií v CT obrazových datech, je vypracován přehled existujících metod určených pro automatickou detekci patologických obratlů. Praktická část je věnována návrhu počítačového systému, který realizuje detekci patologie obratlů a určuje jejich typ. Jako klasifikátor se používá neuronová síť. Aplikace analýzy hlavních komponent (PCA) zajišťuje redukci počátečního počtu příznaků. Pro řešení daného zadání byla získána reálná data. Závěr obsahuje hodnocení dosažených výsledků.
|
|
| |
|
|
Klasifikace LED z hlediska citlivosti na kolísání napájecího napětí
Štefek, Roman ; Baxant, Petr (oponent) ; Drápela, Jiří (vedoucí práce)
Diplomová práce se zabývá návrhem a časovou optimalizací metody určené pro stanovení klasifikace světelných zdrojů LED vzhledem k jejich odolnosti vůči kolísání napájecího napětí. Zatřídění světelných zdrojů v klasifikační škále a jejich označení klasifikačním indexem má za úkol jednoduchým způsobem informovat zájemce o schopnosti konkrétního světelného zdroje fungovat korektně, bez rušivého blikání, v podmínkách elektromagnetického rušení.
|
|
|
Detekce atriální fibrilace v dlouhodobých EKG záznamech
Imramovská, Klára ; Kozumplík, Jiří (oponent) ; Maršánová, Lucie (vedoucí práce)
Práce se zabývá problematikou automatické detekce atriální fibrilace v dlouhodobých EKG záznamech. V úvodu teoretické části je popsána elektrofyziologie srdce a podstata síňové fibrilace. Dále jsou představeny metody automatické detekce atriální fibrilace. V praktické části je v programovém prostředí MATLAB realizována metoda využívající symbolických dynamických systémů a výpočtu Shannonovy entropie. Metoda je otestována na signálech z MIT-BIH Atrial Fibrillation Database a Long-Term AF Database. Úspěšnost klasifikace je v závěru porovnána s metodami z různých studií.
|
|
|
Nástroj pro predikci atributů životního stylu na základě metagenomických dat z tlustého střeva
Kubica, Jan ; Hon, Jiří (oponent) ; Smatana, Stanislav (vedoucí práce)
Tato práce se zabývá analýzou lidského mikrobiomu na základě metagenomických dat z tlustého střeva. Předmětem zkoumání je zastoupení bakterií na různých taxonomických úrovních v závislosti na životním stylu jedince. Byl vytvořen nástroj klasifikující jednotlivé atributy, jako jsou stravovací návyky (vegetarián, vegan, všežravec), citlivost na lepek a laktózu, body mass index nebo věk či pohlaví, s využitím metod strojového učení. Při implementaci byly zvoleny metody k nejbližších sousedů (kNN), náhodný les (RF) a metoda podpůrných vektorů (SVM). Data pro natrénování klasifikátoru a vyhodnocení byla čerpána z projektu American Gut. Práce se rovněž zaobírá problémy spojenými s danými datovými sadami, jako je mnoharozměrnost, řídkost, jejich kompoziční závislost a nevyváženost.
|
|
|
Detekce dopravních značek v obraze a videu
Kočica, Filip ; Hradiš, Michal (oponent) ; Herout, Adam (vedoucí práce)
Tato práce řeší problematiku detekce dopravního značení za pomoci moderních technik zpracování obrazu. K řešení byla použita speciální architektura hluboké konvoluční neuronové sítě zvaná YOLO, tedy You Only Look Once, která řeší detekci i klasifikaci objektů v jednom kroce, což celý proces značně urychluje. Práce pojednává také o porovnání úspěšnosti modelů trénovaných na reálných a syntetických datových sadách. Podařilo se dosáhnout úspěšnosti 63.4% mAP při použití modelu trénovaného na reálných datech a úspěšnosti 82.3% mAP při použití modelu trénovaného na datech syntetických. Vyhodnocení jednoho snímku trvá na průměrně výkonném grafickém čipu ~40.4ms a na nadprůměrně výkonném čipu ~3.9ms. Přínosem této práce je skutečnost, že model neuronové sítě trénovaný na syntetických datech může za určitých podmínek dosahovat podobných či lepších výsledků, než model trénovaný na reálných datech. To může usnadnit proces tvorby detektoru o nutnost anotovat velké množství obrázků.
|
|
|
Případová studie na dolování z dat v jazyce Python
Stoika, Anastasiia ; Burgetová, Ivana (oponent) ; Zendulka, Jaroslav (vedoucí práce)
Tato práce se zabývá základními koncepty a technikami procesu získávání znalostí z dat. Cílem práce je demonstrovat dostupné prostředky jazyka Python, které umožňují provádět jednotlivé kroky tohoto procesu. Práce je zaměřena především na metody a techniky detekce odlehlých pozorování, založené na shlukování a klasifikaci. Jedná se o řešení analytické úlohy, která se týká zdrojů dat s omezeným množstvím využitelné informace. Tato kontrolní činnost by měla sloužit k detekci podezřelých prodejních transakcí nějaké společnosti, které mohou znamenat pokusy o podvod jejích prodejci.
|
|
|
Analýza a klasifikace dat ze snímače mozkové aktivity
Ullrich, Petr ; Šůstek, Martin (oponent) ; Szőke, Igor (vedoucí práce)
Tato práce se zabývá problematikou snímání mozkové aktivity, implementací jejího zpracování, analýzy a klasifikace. Ke snímání je použit hardware společnosti OpenBCI. Nastudoval jsem a popsal potřebné informace o snímání mozkové aktivity a projektu OpenBCI. Byl vytvořen návrh pro datový set, zpracování a klasifikaci myšlenek. Vytvořený systém umožňuje klasifikaci na základě nasnímané mozkové aktivity. Pro klasifikaci byla použita neuronová síť, ale úspěšnost rozpoznání navržených tříd nebyla vysoká.
|
host ::
RSS.