|
|
Metody inicializace vah neuronových sítí a jejich vliv na učení sítí
Prukner, Jakub ; Nemčeková, Petra (oponent) ; Chmelík, Jiří (vedoucí práce)
Práce se zabývá použitím různých metod inicializace vah umělých neuronových sítí a sledováním jejich vlivu na učení sítě. Jako úloha pro síť je zvolena klasifikace obrázků ze dvou databází MNIST a CIFAR-10. Teoretická část popisuje oblast umělých neuronových sítí a také různé metody nicializace vah. Praktická část obsahuje popis a implementaci experimentů, popis architektur a jejich hyperparametrů. Jednotlivé experimenty sledují vliv vybraných metod a jejich případných konfigurací na učení různých architektur umělých neuronových sítí. Výsledky jsou pro jednotlivé databáze a typy architektur porovnány a jsou vybrány metody, se kterými síť dosáhla nejlepšího naučení. Dále jsou vybrány metody, se kterými bylo dosaženo optimálního naučení sítě nejrychleji. Dosažené výsledky jsou diskutovány.
|
|
|
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.
|
|
|
Hluboké neuronové sítě v rozpoznávání obrazu
Munzar, Milan ; Kolář, Martin (oponent) ; Hradiš, Michal (vedoucí práce)
Neuronové sítě jsou dnes jeden z nejúspěšnějších modelů pro strojové učení. Můžeme je nalézt v autonomínch robotických systémech, v rozpoznávání objektů i řeči, predikci a mnoha jiných odvětvích umělé inteligence. Tato práce seznámí čtenáře s tímto modelem a jeho rozšířením, které se používá pro rozpoznávání objektů. Posléze popisuje aplikaci těchto konvolučních neuronových sítí(CNNs) pro klasifikaci obrazků na datasetech Caltech101 a Cifar-10. Na příkladu této aplikace diskutuje a měří efektivnost různých technik používaných v CNNs. Výsledky ukazují, že tyto sítě jsou bez dalších rozšíření schopné dosáhnout 80\% přesnosti na datasetu Cifar-10 a 37\% přesnosti na datasetu Caltech101.
|
|
|
Implementace neuronové sítě bez operace násobení
Slouka, Lukáš ; Baskar, Murali Karthick (oponent) ; Szőke, Igor (vedoucí práce)
Predmetom tejto diplomovej práce je akcelerácia neurónových sietí s cieľom redukcie počtu operácií násobenia reálnych čísiel. Teoretická časť tejto práce sleduje súčasné trendy a metódy využívané v oblasti akcelerácie neurónových sietí. Najväčší dôraz je kladený na binarizačné techniky, ktoré umožňujú nahradiť násobenia logickými operátormi. Teoretický základ je zavedený do praxe hneď dvomi spôsobmi. Prvým z nich je implementácia kritických binárnych operátorov spustiteľných na GPU vo frameworku TensorFlow a ich rýchlostný benchmark. Druhým je aplikácia týchto operátorov v jednoduchom klasifikátore obrázkov. Výsledky sú rozhodne povzbudivé. Implementované operátory dosiahli 2,5-násobné zrýchlenie v porovnaní s vysoko optimalizovanými cuBLAS operátormi. Posledná kapitola práce sleduje úspešnosť dosiahnutú binarizačnými modelmi.
|
|
|
Hluboké neuronové sítě v rozpoznávání obrazu
Kozel, Michal ; Španěl, Michal (oponent) ; Hradiš, Michal (vedoucí práce)
Neuronové sítě momentálně dosahují nejlepších výsledků při rozeznávání řeči, obrazu a i dalších klasifikačních úloh. Tato práce popisuje základní prvky a vlastnosti neuronových sítí a způsob jejich učení. Cílem této práce bylo rozšířit Caffe framework o nové metody učení a porovnat jejich výsledky pomocí experimentů na datasetu Cifar-10. Konkrétně RMSPROP a normalizovaný SGD
|
|
|
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.
|
|
|
Implementace neuronové sítě bez operace násobení
Slouka, Lukáš ; Baskar, Murali Karthick (oponent) ; Szőke, Igor (vedoucí práce)
Predmetom tejto diplomovej práce je akcelerácia neurónových sietí s cieľom redukcie počtu operácií násobenia reálnych čísiel. Teoretická časť tejto práce sleduje súčasné trendy a metódy využívané v oblasti akcelerácie neurónových sietí. Najväčší dôraz je kladený na binarizačné techniky, ktoré umožňujú nahradiť násobenia logickými operátormi. Teoretický základ je zavedený do praxe hneď dvomi spôsobmi. Prvým z nich je implementácia kritických binárnych operátorov spustiteľných na GPU vo frameworku TensorFlow a ich rýchlostný benchmark. Druhým je aplikácia týchto operátorov v jednoduchom klasifikátore obrázkov. Výsledky sú rozhodne povzbudivé. Implementované operátory dosiahli 2,5-násobné zrýchlenie v porovnaní s vysoko optimalizovanými cuBLAS operátormi. Posledná kapitola práce sleduje úspešnosť dosiahnutú binarizačnými modelmi.
|
|
|
Hluboké neuronové sítě v rozpoznávání obrazu
Munzar, Milan ; Kolář, Martin (oponent) ; Hradiš, Michal (vedoucí práce)
Neuronové sítě jsou dnes jeden z nejúspěšnějších modelů pro strojové učení. Můžeme je nalézt v autonomínch robotických systémech, v rozpoznávání objektů i řeči, predikci a mnoha jiných odvětvích umělé inteligence. Tato práce seznámí čtenáře s tímto modelem a jeho rozšířením, které se používá pro rozpoznávání objektů. Posléze popisuje aplikaci těchto konvolučních neuronových sítí(CNNs) pro klasifikaci obrazků na datasetech Caltech101 a Cifar-10. Na příkladu této aplikace diskutuje a měří efektivnost různých technik používaných v CNNs. Výsledky ukazují, že tyto sítě jsou bez dalších rozšíření schopné dosáhnout 80\% přesnosti na datasetu Cifar-10 a 37\% přesnosti na datasetu Caltech101.
|
|
|
Hluboké neuronové sítě v rozpoznávání obrazu
Kozel, Michal ; Španěl, Michal (oponent) ; Hradiš, Michal (vedoucí práce)
Neuronové sítě momentálně dosahují nejlepších výsledků při rozeznávání řeči, obrazu a i dalších klasifikačních úloh. Tato práce popisuje základní prvky a vlastnosti neuronových sítí a způsob jejich učení. Cílem této práce bylo rozšířit Caffe framework o nové metody učení a porovnat jejich výsledky pomocí experimentů na datasetu Cifar-10. Konkrétně RMSPROP a normalizovaný SGD
|
host ::
RSS.