|
Metody hlubokého učení pro zpracování obrazů
Křenek, Jakub ; Chmelík, Jiří (oponent) ; Kolář, Radim (vedoucí práce)
Tato diplomová práce se zabývá metodami hlubokého učení pro rozpoznávání obrazů přes historii po vývoj moderních metod. Hlavní důraz je kladen na konvoluční neuronové sítě a na nich postavené modely určené pro klasifikaci, detekci a segmentaci obrazu. Metody jsou následně využity pro praktickou aplikaci počítání projíždějících automobilů na snímcích z dopravní kamery. Po otestování dostupných modelů byla použita architektura sítě YOLOv2, která byla přetrénována na vlastní sadě trénováních dat. Součástí aplikace je i přidání sledovacího algoritmu SORT.
|
|
Redukce šumu audionahrávek pomocí hlubokých neuronových sítí
Talár, Ondřej ; Galáž, Zoltán (oponent) ; Harár, Pavol (vedoucí práce)
Práce se zabývá možností použití hluboké rekurentní neuronové sítě typu Long Short-Term Memory pro robustní odšumování zarušeného signálu. LSTM je v současnosti velice lákavá architektura díky své vlastnosti pamatovat si předchozí váhy, a nebo je upravovat nejen dle použitých algoritmů, ale také zkoumáním změn v sousedních buňkách. V práci je popsán výběr výchozího datasetu a použitých šumů spolu s vytvořením optimálních testovacích dat. Pro trénování sítě je zvolen framework KERAS pro jazyk Python. Jsou prozkoumány a popsány kandidátní sítě pro možné řešení, následně je provedeno několik experimentů pro zjištění skutečného chování neuronové sítě.
|
|
Detection of malignant melanoma in histological sample using deep neural networks
Frey, Adam ; Lokoč, Jakub (vedoucí práce) ; Straka, Milan (oponent)
The aim of this thesis is to create a classification method for detection of ma- lignant melanoma in high-resolution digital images. Deep convolutional neural networks were used for this task. At first, a short overview of malignant melanoma and ways to detect it is presented. Deep convolutional neural networks are also introduced with a special attention given to models used further in this work. Several ways to generate samples from the provided histological images are discussed, and several experiments are evaluated to decide how to maximize the accuracy of employed classification methods. The thesis then focuses on several neural network structures used for image classification and their possible utiliza- tion for the given task. The emphasis is laid on the transfer learning, a method used for modifying already trained models for different tasks. This method is then used for training several classifiers. Further on, several methods for the visualization of model results are discussed with some of them implemented. The experiments show promising results on par with other studies dealing with similar problems. Several possibilities for further development are listed in the conclusion.
|
|
Natural Language Correction
Náplava, Jakub ; Straka, Milan (vedoucí práce) ; Straňák, Pavel (oponent)
Cílem této diplomové práce je prozkoumat oblast automatické korekce pravopisu (jazyka) a navrhnout sadu modelů založených na neuronových sítí pro řešení úkolů počínaje opravou gramatiky až po diakritizaci. Diplomová práce začíná popisem postupů k jednotlivým problémům automatické korekce pravopisu. Dále jsou představeny již existující a dva nové datasety: dataset pro opravu gramatiky v češtině odvozený od datasetu CzeSL (Czech as a Second Language) a dataset s automaticky vytvořenými českými překlepy. Hlavní část této diplomové práce je věnována návrhu, implementaci a vyhodnocení tří navržených modelů na vybraných problémech automatické korekce pravopisu. Hlavní výhodou našich modelů v porovnání s existujícími statistickými systémy je fakt, že se vše dokáží naučit pouze z trénovacích dat. Naopak u současných statistických systémů musí být specifikován chybový model, model pro generování potencionálních oprav a mnohdy je také potřeba systém pro generování morfologických slovních druhů daného jazyka. Naše modely překonávají současné systémy na generování diakritizace. Při opravování překlepů a menších gramatických chyb je úspěšnost našich modelů lepší na 2 ze 3 datasetů. V gramatické korekci textu pak dosahujeme horších, i když stále srovnatelných, výsledků s nedávno nejlepším modelem.
|
|
Automatické generování realistického terénu pomocí technik strojového učení
Střelský, Jakub ; Surynek, Pavel (vedoucí práce) ; Holan, Tomáš (oponent)
Název práce: Automatické generování realistického terénu pomocí technik strojo- vého učení Autor: Jakub Střelský Katedra: Katedra teoretické informatiky a matematické logiky Vedoucí bakalářské práce: RNDr. Pavel Surynek, Ph.D., Katedra teoretické in- formatiky a matematické logiky Abstrakt: Umělý terén je důležitou komponentou v oblastech jako jsou počíta- čové hry, simulace a filmy. Manuální tvorba umělého terénu může být náročný proces, který by v řadě aplikací bylo vhodné nahradit jeho automatickým gene- rováním. V současné době se dosahuje velkých pokroků při řešení generativních problémů pomocí umělých neuronových sítí, a tak se nabízí možnost prozkoumání jejich schopnosti automatického generování terénu. V této práci se budeme věno- vat jedné z nejúspěšnějších metod automatického generování obsahu - Generative Adversarial Networks a adaptujeme tuto metodu na problém generování terénu. Výsledný model je schopen generovat realisticky vypadající terén podle rastro- vého náčrtku zadaného uživatelem a umožňuje jeho interaktivní modelování. Jeho nevýhodou je potřeba velkého množství neoznačených trénovacích dat, avšak zem- ský povrch jich poskytuje více než dostatek, a tak by tento model mohl díky svým příznivým vlastnostem nalézt své uplatnění v odpovídajících aplikacích. Klíčová slova: procedurální...
|
|
Vytvoření databáze uměle zašumených audionahrávek v akusticky kontrolované místnosti
Hájek, Vojtěch ; Povoda, Lukáš (oponent) ; Harár, Pavol (vedoucí práce)
V této bakalářské práci se zabývám tvorbou databáze zvukových nahrávek a následným vytvoření databáze nahrávek hlasu, které byly nahrány v bezodrazové komoře. Databáze byla vytvořena tak, aby mohla být použita pro učení neuronové sítě s cílem oddělit řeč od hluku pozadí. Z tohoto důvodu jsou součástí databáze i záznamy hluků, které slouží pro umělé zašumění nahrávek hlasu. Dataset zahrnuje nahrávky 18 řečníků ve věku od 16 do 76 let. Polovina řečníků byli muži, polovina ženy. Dataset obsahuje 405 nahrávek hlasu o průměrné délce 46,7 vteřin a celkové délce 315 minut. Kombinací každé nahrávky hlasu s každou nahrávkou šumu ve třech úrovních odstupu signálu od šumu vzniklo 7290 uměle zašumených nahrávek hlasu.
|
|
Image annotation using deep learning
Zarapina, Natalya ; Rajnoha, Martin (oponent) ; Burget, Radim (vedoucí práce)
This semester thesis describes the design and implementation of the client-server program for classification and localization of certain elements which are present in provided images. This program loads a set of images and use deep learning, especially deep convolution neural network perform a classification. First part describes the architecture, basic principles of operations in convolution network and chosen machine learning algorithms for classification. Second part contains a description of created program.
|
|
Literature search on fully-automated vehicles
Hipča, Tomáš ; Froehling, Kenneth (oponent) ; Sedláček, Pavel (vedoucí práce)
This thesis is focused on automated vehicles and contains a brief history of the development of automated vehicles, methods used, as well as devices and algorithms used in such vehicles, and a possible future of autonomous cars. It also lists the most beneficial literature on this topic, while providing additional information or author’s opinion on the matter discussed.
|
| |
|
Hluboké učení pro klasifikaci textů
Kolařík, Martin ; Harár, Pavol (oponent) ; Povoda, Lukáš (vedoucí práce)
Práce se zabývá rozborem současných metod strojového učení používaných pro emoční klasifikaci textových dat a testováním různých architektur neuronových sítí na problému binární klasifikace textů na pozitivní a negativní. Výstupem práce je návrh vlastní architektury hluboké konvoluční neuronové sítě, která je optimalizovaná pro problém a dosáhla úspěšnosti 79,9 procent. Navrhovaná metoda není závislá na použitém jazyce a je možno ji aplikovat i při využití méně detailně vytvořených vstupních trénovacích databází. Trénovací a testovací množina dat se skládala z kratších amatérských filmových recenzí v češtině a angličtině. Skripty byly psány v programovacím jazyce Python, využita byla knihovna pro modelování neuronových sítí Keras a výpočetní knihovna Theano. Kvůli zvýšení rychlosti výpočtu byly početní operace prováděny přes architekturu CUDA na grafické kartě. Součástí práce je také přehled teoretického základu pro práci s konvolučními neuronovými sítěmi a historie neuronových sítí.
|