Národní úložiště šedé literatury Nalezeno 105 záznamů.  začátekpředchozí86 - 95další  přejít na záznam: Hledání trvalo 0.01 vteřin. 
Odhad kanálu v OFDM systémech pomocí deep learning metod
Hubík, Daniel ; Staněk, Miroslav (oponent) ; Miloš, Jiří (vedoucí práce)
Diplomová práce se zabývá simulací rádiového komunikačního systému OFDM v základním pásmu a jeho následnou ekvalizací. Model je založen na standardu IEEE 802.11n. Vývoj a simulace modelu byly vytvořeny v programových prostředích MATLAB a Python. Byly využity konvenční metody estimace kanálu (LS, MMSE), ale také nekonvenční metody jako je ekvalizace kanálu s využitím strojového učení. Byly provedeny experimenty s architekturami umělých neuronových sítí a studována závislost na kvalitě ekvalizace. Funkce modelu byla vyhodnocována kódovanou a nekódovanou bitovou chybovostí BER.
Software pro detekci a rozpoznání registrační značky vozidla
Masaryk, Adam ; Hradiš, Michal (oponent) ; Špaňhel, Jakub (vedoucí práce)
Cieľom tejto bakalárskej práce je navrhnúť a vyvinúť softvér, ktorý dokáže detegovať a rozpoznávať registračné značky z obrázkov. Softvér je rozdelený na 3 časti - detekcia značky, spracovanie výstupu detektora a rozpoznanie znakov na registračnej značke. Detekciu a rozpoznanie sme sa rozhodli implementovať pomocou moderných metód využitím konvolučných neurónových sietí.
Neuronová síť pro přenos stylu
Kadlec, Filip ; Matoušek, Radomil (oponent) ; Hůlka, Tomáš (vedoucí práce)
V této bakalářské práci je popsáno strojové učení, typy umělých neuronových sítí a pochody v neuronových sítích, jako dopředné zpracování dat či trénování a učení samotných sítí. Také se zde srovnávají a popisují prostředky pro implementaci neuronových sítí. Praktická část je věnována problematice přenosu uměleckého stylu pomocí konvoluční neuronové sítě.
Matení algoritmů počítačového vidění
Hrabal, Matěj ; Bartl, Vojtěch (oponent) ; Herout, Adam (vedoucí práce)
Cílem této práce bylo zkoumání existujících metod matení počítačového vidění a rozpoznávání. Zaměřil jsem se zejména na metody typu pixel attack.Dále jsem porovnal jednotlivé metody obrany proti těmto útokům. Jednotlivé metody typu pixel attack a možnosti obrany proti těmto útokům jsem implementoval v jazyce python s využitím knihovny Keras. V rámci práce jsem vytvořil nástroj, který umožňuje provést útok metodou pixel attack na uživateli zvoleném obrázku, a z informací získaných při útocích dokáže generovat statistiky. Nástroj také umožňuje detekovat možné útoky v obrázcích.
Rozpoznání typu vozidla z dohledové kamery
Mencner, Pavel ; Špaňhel, Jakub (oponent) ; Sochor, Jakub (vedoucí práce)
Cílem této práce je detekce vozidel v obraze z dopravní dohledové kamery a jemná klasifikace jejich typu (výrobce a model). V práci je implementována normalizační metoda Unpack, která slouží pro transformaci obrazu vozidla do jeho zdánlivé rovinné reprezentace, za účelem zvýšení úspěšnosti klasifikátoru. Metoda Unpack využívá pro normalizaci 3D bounding box vozidla, který je v testovací fázi sestaven z informací o kontuře a směru k úběžníkům vozidla. Součástí práce je srovnání přesnosti metody přímé a Unpack klasifikace. Řešení se skládá z více na sebe navazujících částí, které využívají konvolučních neuronových sítí. Tyto části jsou: detekce vozidel v obraze, odhad směru k úběžníkům scény řešený jako klasifikační úloha, detekce kontury vozidel s využitím konvoluční Encoder-Decoder sítě a jemná klasifikace typu vozidel. Pomocí klasifikace s využitím metody Unpack bylo dosaženo zvýšení přesnosti systému o 2% proti přímé klasifikaci, dosahujíc výsledné úspěšnosti 86%. Výsledkem práce je systém jemné klasifikace typu vozidel pracující se záznamem z dohledové kamery bez omezení pozorovacích úhlů.
Strojový překlad pomocí umělých neuronových sítí
Holcner, Jonáš ; Beneš, Karel (oponent) ; Szőke, Igor (vedoucí práce)
Cílem této práce je popsat a vytvořit systém pro strojový překlad textu postavený na rekurentních neuronových sítích. K tomu je použita architektura enkodér-dekodér umožňující překlad po celých větách. Výsledkem je knihovna nmt, určená k provádění experimentů s různými parametry modelu. Jejich výsledky jsou porovnány vůči systému postavenému na nástroji pro statistický překlad Moses.
Hluboké neuronové sítě pro klasifikaci objektů v obraze
Mlynarič, Tomáš ; Zemčík, Pavel (oponent) ; Hradiš, Michal (vedoucí práce)
Tato práce se zabývá klasifikací objektů v obraze s použitím hlubokých neuronových sítí. Jako algoritmus pro klasifikaci byla zvolena segmentace celé scény pracující na video sekvencích a využívající informace mezi dvěma snímkami videa. Pro tuto úlohu bylo použito extrahování informací pomocí optického toku, na základě kterého byly dále warpovány aktivační mapy vrstev neuronových sítí. Dvě architektury neuronových sítí byly upraveny pro práci s videem, na kterých byly následně provedeny experimenty. Výsledky experimentů ukazují, že použití videa umožňuje zlepšit přesnost (IoU) vůči stejné architektuře pracující s obrázky.
Zpětnovazební učení pro řešení herních algoritmů
Daňhelová, Jana ; Uher, Václav (oponent) ; Kolařík, Martin (vedoucí práce)
Bakalářská práce Zpětnovazební učení pro řešení herních algoritmů je rozdělena do dvou částí. V teoretické části jsou popsány a srovnávány základní metody zpětnovazebního učení, přičemž zvláštní pozornost je věnována metodám aktivního učení – Q-učení a hlubokému učení. Praktická část je zaměřena na aplikaci metody deep learning na hru Had. Výsledky jsou prezentovány ve formě programu napsaného v programovacím jazyku Python, který se skládá z herního prostředí vytvořeného v PyGame, modelu konvoluční neuronové sítě zkonstruovaného v knihovně Keras a herního agenta. Výstupem programu je několik typů datasetů ve formátu csv. Získaná data, obsahující hodnoty jednotlivých parametrů jako počet epoch, přesnost, ztráta nebo výše odměny, mohou být následně použita jako podklady pro další zpracování.
Protection of sensitive data contained in images
Mezina, Anzhelika ; Rajnoha, Martin (oponent) ; Burget, Radim (vedoucí práce)
This work is focused on application of deep learning in security problem of escape sensitive information, that is contained in images. The presented solution of this problem is using Single Shot Multibox Detector and Fully Connected Network (FCN). FCN is faster than other methods and can be applied in industry, where is a need to analyse input and output information very quickly, for example, in network traffic analysis. In the first part of this work, methods that can be used in keyword detection are described. The second part contains a description of experiment and achieved results for two models of neural network: Single Shot Multibox Detector and Fully Connected Network. The second one gave better results and can be used in practice.
Segmentace cévního řečiště ve snímcích sítnice metodami hlubokého učení
Serečunová, Stanislava ; Vičar, Tomáš (oponent) ; Kolář, Radim (vedoucí práce)
Táto diplomová práca sa zaoberá využitím hlbokých neurónových sietí so zameraním na segmentáciu obrazu. Teoretická časť obsahuje popis hlbokých neurónových sietí a súhrn využívaných architektúr konvolučných sietí v oblasti segmentácie objektov z obrazu. V praktickej časti bola testovaním existujúcich príkladov používaných architektúr sietí naštudovaná open-source softwarová knižnica pre strojové učenie Tensorflow, implementovaná v programovacom jazyku Python. Obecným problémom použitia konvolučných neurónových sietí je požadované veľké množstvo vstupných dát. Z tohto dôvodu bola vytvorená nová dátová sada skladajúca sa z kombinácie piatich voľne dostupných databáz. Zvolená architektúra siete U-net bola testovaná prvou modifikáciou novo vytvorenej dátovej sady. Na základe výsledkov je zvolená architektúra siete modifikovaná, vďaka čomu bola vytvorená nová sieť, ktorá dosahuje lepšie výsledky než originálna sieť. Modifikovaná architektúra je následne trénovaná na vytvorenej dátovej sade, ktorá obsahuje snímky z rôznych typov fundus kamier. Natrénovaná sieť je vďaka tomuto prístupu vo výsledku robustnejšia a umožňuje segmentaciu cievneho riečiska snímkov z rôznymi parametrami. Modifikovaná architektúra bola otestovaná na databázach STARE, CHASE a HRF. Výsledky boli porovnané z publikovanými metódami segmentácie z literatúry, založených na konvolučných neurónových sieťach, ale aj klasickými metódami segmentácie. Vytvorená sieť vykazuje vysokú úspešnosť segmentácie cievneho riečiska porovnateľnú so state-of-the-art metódami.

Národní úložiště šedé literatury : Nalezeno 105 záznamů.   začátekpředchozí86 - 95další  přejít na záznam:
Chcete být upozorněni, pokud se objeví nové záznamy odpovídající tomuto dotazu?
Přihlásit se k odběru RSS.