|
|
Detection of persons and evaluation of gender and age in image data
Dobiš, Lukáš ; Vičar, Tomáš (referee) ; Kolář, Radim (advisor)
Táto diplomová práca sa venuje automatickému rozpoznávaniu ludí v obrazových dátach s využitím konvolučných neurónových sieti na určenie polohy tváre a následnej analýze získaných dát. Výsledkom analýzy tváre je určenie pohlavia, emócie a veku osoby. Práca obsahuje popis použitých architektúr konvolučných sietí pre každú podúlohu. Sieť na odhad veku má natrénované nové váhy, ktoré sú vzápätí zmrazené a majú do svojej architektúry vložené LSTM vrstvy. Tieto vrstvy sú samostatne dotrénované a testované na novom datasete vytvorenom pre tento účel. Výsledky testov ukazujú zlepšenie predikcie veku. Riešenie pre rýchlu, robustnú a modulárnu detekciu tváre a ďalších ludských rysov z jedného obrazu alebo videa je prezentované ako kombinácia prepojených konvolučných sietí. Tieto sú implementované v podobe skriptu a následne vysvetlené. Ich rýchlosť je dostatočná pre ďalšie dodatočné analýzy tváre na živých obrazových dátach.
|
|
|
Interconnection of Restricted Boltzmann machine method with statistical physics and its implementation in the processing of spectroscopic data
Vrábel, Jakub ; Hrdlička, Aleš (referee) ; Pořízka, Pavel (advisor)
Práca sa zaoberá spojeniami medzi štatistickou fyzikou a strojovým učením s dôrazom na základné princípy a ich dôsledky. Ďalej sa venuje obecným vlastnostiam spektroskopických dát a ich zohľadnení pri pokročilom spracovaní dát. Začiatok práce je venovaný odvodeniu partičnej sumy štatistického systému a štúdiu Isingovho modelu pomocou "mean field" prístupu. Následne, popri základnom úvode do strojového učenia, je ukázaná ekvivalencia medzi Isingovým modelom a Hopfieldovou sieťou - modelom strojového učenia. Na konci teoretickej časti je z Hopfieldovej siete odvodený model Restricted Boltzmann Machine (RBM). Vhodnosť použitia RBM na spracovanie spektroskopických dát je diskutovaná a preukázaná na znížení dimenzie týchto dát. Výsledky sú porovnané s bežne používanou Metódou Hlavných Komponent (PCA), spolu so zhodnotením prístupu a možnosťami ďalšieho zlepšovania.
|
|
|
Deep Learning Algorithms on Embedded Devices
Hadzima, Jaroslav ; Boštík, Ondřej (referee) ; Horák, Karel (advisor)
Táto práca popisuje v súčastnosti široko používané architektúry a modely pre Hlboké Učenie, riešiace úlohu detekcie a klasifikácie objektov vo videu. Dôraz tu bude kladený na ich použiteľnosť na vstavaných zariadeniach. Postupne preberieme kroky a odvôvodňovanie pri výbere najlepšieho vstavaného systému pre našu aplikáciu. Ukážková aplikáci pozostáva hlavne z detekcie vozidiel a detekcie voľných parkovacích miest s využitím algoritmov Hlbokého Učenia. Táto aplikácia umožňuje monitorovať počet vozidiel, nachádzajúcich sa na parkovisku a zároveň rozhodnúť, či sa nachádzajú na prakovacom mieste alebo nie. Následne tu budú prebrané kroky nutné ku konfigurácii zariadenia s dôrazom na optimalizáciu hardvéru pre dosiahnutie čo najväčšej rýchlosti. V ďaľšej časti bude poskytnuté porovnanie vybraných modelov, ktoré budú porovnávané hlavne v kategóriách ako rýchlosť alebo F1 skóre. Najlepší kandidát bude použitý na riešenie našej aplikácie a následné testovanie jej vlastností s názvom Inteligentné parkovisko.
|
|
|
Using machine learning for quality control in industrial applications
Gaško, Viktor ; Dobrovský, Ladislav (referee) ; Parák, Roman (advisor)
Goal of this bachelor´s thesis is to get acquainted with issue of quality control in industrial applications with focus on deep learning. For this and similar issues was created several libraries which have a purpose of simplifying these issues. Main task is to create program for quality control with help of programming language Python and framework Tensorflow. This program will be comprised of three neural network, from which one will identify the approximate position of the part, second its color, and third will check the correctness of its production.
|
|
|
Deep Learning Model Uncertainty in Medical Image Analysis
Drevický, Dušan ; Kolář, Martin (referee) ; Kodym, Oldřich (advisor)
Táto práca sa zaoberá určením neistoty v predikciách modelov hlbokého učenia. Aj keď sa týmto modelom darí dosahovať vynikajúce výsledky v mnohých oblastiach počítačového videnia, ich výstupy sú väčšinou deterministické a neposkytujú mnoho informácií o tom, ako si je model istý svojou predpoveďou. To je obzvlášť dôležité pri analýze lekárskych obrazových dát, kde môžu mať omyly vysokú cenu a schopnosť detekovať neisté predikcie by umožnila dohliadajúcemu lekárovi spracovať relevantné prípady manuálne. V tejto práci aplikujem niekoľko rôznych metrík vyvinutých v nedávnom výskume pre určenie neistoty na modely hlbokého učenia natrénované pre lokalizáciu cefalometrických landmarkov. Následne ich vyhodnotím a porovnávam v sade experimentov, ktorých úlohou je určiť, nakoľko jednotlivé metriky poskytujú užitočnú informáciu o tom, ako si je model istý svojou predpoveďou.
|
|
|
Landmark Detection in Medical Images Using Deep Neural Networks
Škandera, Juraj ; Španěl, Michal (referee) ; Kodym, Oldřich (advisor)
This thesis deals with detection of anatomical landmarks from cephalometric X-ray images using convolutional neural networks. Program works with public available dataset, which consists of side X-ray images of skull. There are two architectures of convolutional neural networks proposed in this thesis. The best architecture achieves accuracy of 73.22% for detection within 5 mm. Program is created in Python language with use of Tensorflow framework.
|
|
|
Detection of Malicious Websites using Machine Learning
Šulák, Ladislav ; Černocký, Jan (referee) ; Beneš, Karel (advisor)
Táto práca sa zaoberá problematikou škodlivého kódu na webe so zameraním na analýzu a detekciu škodlivého JavaScriptu umiestneného na strane klienta s využitím strojového učenia. Navrhnutý prístup využíva známe i nové pozorovania s ohľadom na rozdiely medzi škodlivými a legitímnymi vzorkami. Tento prístup má potenciál detekovať nové exploity i zero-day útoky. Systém pre takúto detekciu bol implementovaný a využíva modely strojového učenia. Výkon modelov bol evaluovaný pomocou F1-skóre na základe niekoľkých experimentov. Použitie rozhodovacích stromov sa podľa experimentov ukázalo ako najefektívnejšia možnosť. Najefektívnejším modelom sa ukázal byť Adaboost klasifikátor s dosiahnutým F1-skóre až 99.16 %. Tento model pracoval s 200 inštanciami randomizovaného rozhodovacieho stromu založeného na algoritme Extra-Trees. Viacvrstvový perceptrón bol druhým najlepším modelom s dosiahnutým F1-skóre 97.94 %.
|
|
|
Convolutional Neural Networks
Lietavcová, Zuzana ; Zbořil, František (referee) ; Zbořil, František (advisor)
This thesis deals with convolutional neural networks. It is a kind of deep neural networks that are presently widely used mainly for image recognition and natural language processing. The thesis describes specifics of convolutional neural networks in comparison with traditional neural networks and is focused on inner computations in the process of learning. Convolutional neural networks typically consist of a different types of layers of neurons and the core part of this thesis is to demonstrate computations of individual types of layers. Learning demonstrating program of a simple convolutional network was designed and implemented using own implementation of neural network. Validity of the implementation was tested by training models for solving a classification task. Experiments with different types of architectures were conducted and their performance was compared.
|
|
|
Deep Neural Networks Used for Customer Support Cases Analysis
Marušic, Marek ; Ryšavý, Ondřej (referee) ; Pluskal, Jan (advisor)
Umelá inteligencia je pozoruhodne populárna v dnešnej dobe, pretože si dokáže poradiť s rôznymi veľmi komplexnými úlohami v odvetviach ako napr. spracovanie obrazu, spracovanie zvuku, spracovanie prirodzeného jazyka a podobne. Keďže Red Hat doteraz už vyriešil obrovksé množstvo zákazníckych požiadavkov počas podpory rôznych produktov. Preto bola navrhnutá myšlienka použiť umelú inteligenciu práve na tieto dáta a docieliť tak zlepšenie a zrýchlenie procesu riešenia zákaznícky požiadavkov. V tejto práci sú popísané použité techniky na spracovanie týchto dát a úlohy, ktoré je možné riešiť pomocou hlbokých neurónových sietí. Taktiež sú v tejto práci popísane rôzne modely, ktoré boli vytvorené počas riešenia tejto práce a snažia sa adresovať rôzne úlohy. Ich výkony sú porovnané na spomínaných úlohách.
|
|
|
Trainable image segmentation using deep neural networks
Majtán, Martin ; Burget, Radim (referee) ; Harár, Pavol (advisor)
Diploma thesis is aimed to trainable image segmentation using deep neural networks. In the paper is explained the principle of digital image processing and image segmentation. In the paper is also explained the principle of artificial neural network, model of artificial neuron, training and activation of artificial neural network. In practical part of the paper is created an algorithm of sliding window to generate sub-images from image from magnetic rezonance. Generated sub-images are used to train, test and validate of the model of neural network. In practical part of the paper si created the model of the artificial neural network, which is used to trainable image segmentation. Model of the neural network is created using the Deeplearning4j library and it is optimized to parallel training using Spark library.
|
guest ::
