|
|
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.
|
|
|
Indonesian-English Neural Machine Translation
Dwiastuti, Meisyarah ; Popel, Martin (vedoucí práce) ; Novák, Michal (oponent)
Title: Indonesian-English Neural Machine Translation Author: Meisyarah Dwiastuti Department: Institute of Formal and Applied Linguistics Supervisor: Mgr. Martin Popel, Ph.D., Institute of Formal and Applied Linguis- tics Abstract: In this thesis, we conduct a study on neural machine translation (NMT) for an under-studied language, Indonesian, specifically for English-Indonesian (EN-ID) and Indonesian-English (ID-EN) in a low-resource domain, TED talks. Our goal is to implement domain adaptation methods to improve the low-resource EN-ID and ID-EN NMT systems. First, we implement model fine-tuning method for EN-ID and ID-EN NMT systems by leveraging a large parallel corpus contain- ing movie subtitles. Our analysis shows the benefit of this method for the improve- ment of both systems. Second, we improve our ID-EN NMT system by leveraging English monolingual corpora through back-translation. Our back-translation ex- periments focus on how to incorporate the back-translated monolingual corpora to the training set, in which we investigate various existing training regimes and introduce a novel 4-way-concat training regime. We also analyze the effect of fine- tuning our back-translation models with different scenarios. Experimental results show that our method of implementing back-translation followed by model...
|
|
|
Aproximace hlubokých neuronových sítí
Stodůlka, Martin ; Mrázek, Vojtěch (oponent) ; Vaverka, Filip (vedoucí práce)
Cílem mé práce je zjistit vliv a dopad aproximovaného počítání na přesnost hluboké neuronové sítě, konkrétně neuronové sítě pro klasifikaci obrazu. Pro implementaci neuronové sítě byla použita varianta frameworku Caffe zvaná Ristretto-caffe, která byla rozšířena o možnost použití aproximovaných operací v konvolučních vrstvách. pro používání aproximovaných komponent. Aproximované počítání bylo použito na násobení v dopředné propagaci při konvoluci. Jako aproximované komponenty byly zvoleny komponenty z knihovny Evoapproxlib.
|
|
|
Identifikace chodců
Jurča, Jan ; Špaňhel, Jakub (oponent) ; Hradiš, Michal (vedoucí práce)
Tato práce se zabývá identifikací osob z videa na základě rozpoznání postavy, obličeje a chůze. Pro rozpoznání postavy a chůze jsou využity předtrénované sítě. Zatímco k rozpoznání chůze je v rámci práce implementováno a srovnáno několik architektur sítí. Finální rozpoznání chodce probíhá na základě multimodální fůze realizované neuronovou sítí. Pro účely práce byl vytvořen vlastní dataset, zároveň se sadou nástrojů umožňující jeho téměř automatickou tvorbu.
|
|
|
Analýza rozložení stran textových dokumentů pomocí hlubokých neuronových sítí
Endrych, David ; Herout, Adam (oponent) ; Kodym, Oldřich (vedoucí práce)
Cílem této bakalářské práce je vytvořit nástroj pro analýzu rozložení stran textových dokumentů. Problém je řešen pomocí konvolučních neuronových sítí. Architekturou zvolenou v téhle bakalářské práci je architektura U-Net. Pro trénování modelu sítě se používá chybová funkce cross entropy s použitím mapy vah. Pomocí hledání spojitých komponent dochází k získávání regionů odstavců. Experimenty se vyhodnocují pomocí objektové metriky Symmetric Best Dice. Z experimentů vyplynulo, že je lepší používat všechny hrany odstavců než se zaměřovat pouze na vertikální hrany odstavců. Dále experimenty ukazují, že trénovací strategie vzorkování batche a adaptativní rozlišení pomáhají ke zlepšení výsledků analýzy. V experimentech je také popsána aplikace separátorů, která je užitečná při analýze vícesloupcových dokumentů.
|
|
|
Hluboké neuronové sítě pro detekci anomálií při kontrole kvality
Juřica, Tomáš ; Herout, Adam (oponent) ; Hradiš, Michal (vedoucí práce)
Cílem této práce je automatizovat detekci defektů při průmyslové výrobě plastových karet. Typickým defektem vzniklým při takovéto výrobě je kontaminace prachovými částicemi či vlasem. Hlavními výzvami, které v této práci řeším, je malý počet dostupných dat (214 karet), velmi malá plocha defektů v kontextu celé karty (průměrně 0,0068 \% plochy karty) a zároveň velice rozmanité a komplexní pozadí, ve kterém defekty hledám. Realizaci úkolu jsem dosáhl za použití detekčního algoritmu Mask R-CNN a rozšíření datové sady pomocí namodelování vzhledu typických defektů a vytvoření syntetického datasetu o počtu 20 000 obrázků, na kterém jsem detektor natrénoval. Takovýmto způsobem jsem dosáhl 0,83 AP při IoU rovno 0,1 na testovací části původní datové sady.
|
|
|
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...
|
|
|
Detektor hlavy v obraze
Svoboda, Jakub ; Orság, Filip (oponent) ; Goldmann, Tomáš (vedoucí práce)
Detekce hlavy je důležitou součástí algoritmů pro detekci a identifikaci osob. Tato práce je zaměřena na detekci lidské hlavy v obraze pomocí neuronových sítí. Většina konvenčních detektorů dokáže detekovat objekty v omezené množině úhlů, zatímco modely založené na neuronových sítích pokrývají větší škálu úhlů natočení hlavy. V této práci jsme natrénovali současné state-of-the-art modely a porovnali je z hlediska přesnosti a rychlosti zpracování snímku. Nejvíce se osvědčil model RetinaNet, který dosáhl přesnosti 85,15% AP. Díky tomuto detektoru mohou být vylepšené dostupné algoritmy pro detekci, identifikaci a sledování osob.
|
|
|
Hluboké neuronové sítě pro rozpoznání tváří ve videu
Jeřábek, Vladimír ; Sochor, Jakub (oponent) ; Hradiš, Michal (vedoucí práce)
Tato práce se zabývá rozpoznáváním tváří ve videu pomocí neuronových sítí. Na začátku je popsán výběr a ověření konvolučních neuronových sítí pro generování příznakových vektorů z obrázků různých identit. V další části se tato práce věnuje agregování příznakových vektorů ze snímků videa. Agregování probíhá pomocí agregačních neuronových sítí. Na konci této práce jsou diskutovány výsledky, kterých dané agregační metody dosáhli.
|
|
| |
host ::
RSS.