|
|
A tool for generating a random configuration of a cyber arena
Matisko, Maroš ; Kolařík, Martin (oponent) ; Uher, Václav (vedoucí práce)
The master's thesis is focused on the design and implementation of a tool for generating configuration named Ansible. The result of using this tool is generated configuration, which contains random values chosen according to specified parameters and it was deployed on a virtual testing infrastructure. The theoretical part describes approaches of network automation in the process of deploying and configuration of network devices called Infrastructure as code. It also describes programme Ansible, which will be using the output of the implemented tool. The practical part of the thesis is focused on designing the functionality and internal structure of the tool, implementation of the tool and testing implemented tool as well as generated configuration.
|
|
|
Image segmentation methods with limited data sets
Horečný, Peter ; Kolařík, Martin (oponent) ; Burget, Radim (vedoucí práce)
The goal of this thesis was to propose an image segmentation method, which is capable of effective segmentation process with small datasets. Recently published ODE neural network was used for this method, because its features should provide better generalization in case of tasks with only small datasets available. The proposed ODE-UNet network was created by combining UNet architecture with ODE neural network, while using benefits of both networks. ODE-UNet reached following results on ISBI dataset: Rand: 0,950272 and Info: 0,978061. These results are better than the ones received from UNet model, which was also tested in this thesis, but it has been proven that state of the art can not be outperformed using ODE neural networks. However, the advantages of ODE neural network over tested UNet architecture and other methods were confirmed, and there is still a room for improvement by extending this method.
|
|
|
Image segmentation using graph neural networks
Boszorád, Matej ; Kolařík, Martin (oponent) ; Myška, Vojtěch (vedoucí práce)
This diploma thesis describes and implements the design of a graph neural network usedfor 2D segmentation of neural structure. The first chapter of the thesis briefly introduces the problem of segmentation. In this chapter, segmentation techniques are divided according to the principles of the methods they use. Each type of technique contains the essence of this category as well as a description of one representative. The second chapter of the diploma thesis explains graph neural networks (GNN for short). Here, the thesis divides graph neural networks in general and describes recurrent graph neural networks(RGNN for short) and graph autoencoders, that can be used for image segmentation, in more detail. The specific image segmentation solution is based on the message passing method in RGNN, which can replace convolution masks in convolutional neural networks.RGNN also provides a simpler multilayer perceptron topology. The second type of graph neural networks characterised in the thesis are graph autoencoders, which use various methods for better encoding of graph vertices into Euclidean space. The last part ofthe diploma thesis deals with the analysis of the problem, the proposal of its specific solution and the evaluation of results. The purpose of the practical part of the work was the implementation of GNN for image data segmentation. The advantage of using neural networks is the ability to solve different types of segmentation by changing training data. RGNN with messaging passing and node2vec were used as implementation GNNf or segmentation problem. RGNN training was performed on graphics cards provided bythe school and Google Colaboratory. Learning RGNN using node2vec was very memory intensive and therefore it was necessary to train on a processor with an operating memory larger than 12GB. As part of the RGNN optimization, learning was tested using various loss functions, changing topology and learning parameters. A tree structure method was developed to use node2vec to improve segmentation, but the results did not confirman improvement for a small number of iterations. The best outcomes of the practical implementation were evaluated by comparing the tested data with the convolutional neural network U-Net. It is possible to state comparable results to the U-Net network, but further testing is needed to compare these neural networks. The result of the thesisis the use of RGNN as a modern solution to the problem of image segmentation and providing a foundation for further research.
|
|
|
Optimalizace výroby hliníkového odlitku s použitím numerické simulace
Kolařík, Martin ; Lána, Ivo (oponent) ; Krutiš, Vladimír (vedoucí práce)
Diplomová práce se zabývá rozborem technologie lití vybraného odlitku ze slitiny hliníku. Jedná se o odlitek frézovací hlavy do CNC stroje, odlévaný technologií gravitačního lití do kovové formy. Byla provedena analýza vad, které jsou příčinou vysokého procenta neshodné výroby. Dále je součástí práce kompletní analýza plnění a tuhnutí tohoto odlitku v simulačním programu ProCast. Je provedeno ověření výsledků numerické simulace a její doladění. Poté jsou na několika vypočtených variantách dokázány příčiny problematických vad. Jsou navržena opatření, které minimalizují sklony ke vzniku vad vedoucích k neshodné výrobě.
|
|
|
Vliv pozadí a velikosti databáze na trénování neuronových sítí pro klasifikaci obrazů
Mikulec, Vojtěch ; Kolařík, Martin (oponent) ; Rajnoha, Martin (vedoucí práce)
Tato bakalářská práce se zaobírá vlivem pozadí a velikosti databáze na trénování neuronových sítí pro klasifikaci obrazů. V práci jsou popsány techniky zpracování obrazů pomocí konvolučních neuronových sítí a vliv pozadí (šumu) a velikosti databáze na trénování. Práce navrhuje metody, se kterými lze dosáhnout rychlejšího a přesnějšího procesu trénování konvolučních neuronových sítí. Pro experimentování je vybrána binární klasifikace datové množiny označených tváří z různého prostředí, jejíž pozadí je pro každý experiment modifikováno nahrazením barvou nebo ořezáním. Velikost datové množiny je pro trénování konvolučních neuronových sítí klíčová, v této práci je experimentováno s velikostí trénovací množiny, což simuluje reálný problém s nedostatkem dat při trénování konvolučních neuronových sítí pro klasifikaci obrazů.
|
|
|
System for 3D data visualisation in virtual reality
Kalafut, Oliver ; Mašek, Jan (oponent) ; Kolařík, Martin (vedoucí práce)
This bachelor thesis deals with the imaging of medical models, for example human body organs, in virtual reality via Oculus Go. Oculus Go is an all-in-one device with a powerful processor and high-resolution display that is ideal for this bachelor thesis. The main goal is the conversion of 2D and 3D medical data formats, including formats such as DICOM and NIfTI, into 3D formats usable for virtual reality and then create the application. The first part of this work is devoted to the theoretical introduction and introduces the issues of virtual reality and 3D modelling to the reader. Then in the practical part, there was implemented a standalone (offline) application for display and interaction of used medical models with users in the virtual reality environment. In total, eight models of different parts of the human body were processed and converted to a uniform 3D Object (.obj) format. Subsequently, they were imported into program Unity, in which I created the entire application environment called Model Preview VR. The application enables viewing, zooming, rotating, and cross-section features of individual objects and is suitable for the presentation of simple models. This application can be helpful for development of not only medical imaging, but also for getting quality photos for publishing.
|
|
|
Generovaní databáze pro specifické případy identifikace osob
Kolmačka, Tomáš ; Kolařík, Martin (oponent) ; Rajnoha, Martin (vedoucí práce)
Diplomová práce se věnuje současné problematice identifikace osob a hlubokého učení. Dále se práce zabývá především získáním kvalitních a různorodých dat, které jsou využívány k trénování hlubokého učení s konvolučními neuronovými sítěmi pro rozpoznávání obličejů. Takových dat je velmi málo veřejně přístupných, proto se praktická část práce zaměřuje na vytvoření pluginu pro nástroj MakeHuman umožňující generování databáze obrázků náhodných tváří. Generovat tváře je možné podle pěti různých scénářů, ve kterých jsou vytvářeny čistě náhodné obličeje nebo obličeje, na kterých je možné vidět ten stejný obličej jen s různými modifikacemi jako je změna vlasů, vousů, klobouků, brýlí a dalšího. Scénáře také umožňují generování tváří s různými výrazy nebo tváře při stárnutí. V pluginu je možné nastavení některých parametrů, které dávají podobu výsledné databázi. Ta může obsahovat snímky tváře z různých úhlů natočení, přiblížení a při různém nasvícení.
|
|
| |
|
|
Vícetřídá segmentace 3D lékařských dat pomocí hlubokého učení
Slunský, Tomáš ; Uher, Václav (oponent) ; Kolařík, Martin (vedoucí práce)
Diplomová práce se zabývá segmentací obrazu do více tříd pomocí konvolučních neuronových sítí. Teoretická část práce se zaměřuje na souhrn problematiky segmentace obrazu, kde jsou popsány základní principy fungování jak samotných neuronových sítí, tak segmentací obrazu včetně popsání jejich různých typů a variant. V praktické částí je zvolena pro segmentace obrazu a podrobněji popsána architektura U-net, která byla aplikována na dataset medicínských dat. Dále je tu popsán postup zpracování trojrozměrných dat, jejich předzpracování a metody, jakými byla provedena celá vícetřídá segmentace. Závěr práce vyhodnocuje dosažené výsledky a zasazuje je do širšího kontextu.
|
|
|
Deep neural network for supercomputer environments
Bronda, Samuel ; Kolařík, Martin (oponent) ; Burget, Radim (vedoucí práce)
The main benefit of the work is the optimization of the hardware configuration for the calculation of neural networks. The theoretical part describes neural networks, deep learning frameworks and hardware options. The next part of the thesis deals with implementation of performance tests, which include application of Inception V3 and ResNet models. Network models are applied to various graphics cards and computing hardware. The output of the thesis is the implemented model of the network Inception V3, which examines the graphics cards and their performance, time-consuming calculations and their efficiency. The ResNet model is applied to a section that examines other impacts on neural network computing such as used disk, operating memory, and so on. Each practical part contains a discussion where the knowledge of the given part is explained. In the case of consumption measurement, a mismatch between the declaration by the manufacturer and the measured values was identified.
|
host ::
RSS.