|
|
Segmentation of logical units in text
Kostelník, Martin ; Kišš, Martin (oponent) ; Beneš, Karel (vedoucí práce)
The goal of this project is the topic segmentation of text into coherent units. It builds on the PERO-OCR software, aiming to improve the processing of Czech historical documents and information retrieval for librarians and scientists. This included the creation and annotation of a custom dataset comprised of 4044 pages from books, dictionaries, and periodicals. I propose an innovative approach treating segmentation as a line clustering problem. The method involves a two-stage process: initial detection of regions of interest containing text lines using the YOLOv8 model, followed by joining them using a graph neural network. This method achieves a V-measure of 77.93 %, 95.79 % and 90.23 % for books, dictionaries and periodicals, respectively.
|
|
|
Určení spolehlivosti výsledků statické analýzy pomocí strojového učení
Beránek, Tomáš ; Fiedor, Jan (oponent) ; Vojnar, Tomáš (vedoucí práce)
The Meta Infer static analyzer is a tool for detecting various types of errors in source code. However, its results contain more than 95 % of false alarms. This thesis proposes a solution that ranks Infer’s reports using Graph Neural Networks (GNNs) based on the likelihood of being a real error, thus mitigating the issue with false alarms. The system consists of a training pipeline, which converts the D2A dataset – a set of labeled reports from Meta Infer – into Extended Code Property Graphs (ECPGs) and GNN models trained on these ECPGs. Experimental results indicate that the developed GNN models can match, and in some cases even surpass, existing models developed by strong industrial teams. Moreover, these existing solutions are closed source, making the solution developed in this thesis a promising open-source alternative.
|
|
|
Graph Neural Networks in Epilepsy Surgery
Hrtoňová, Valentina ; MSc, Daniel Uher, (oponent) ; Filipenská, Marina (vedoucí práce)
Successful epilepsy surgery relies on precise localization of the epileptogenic zone (EZ), yet only about 60% of patients become seizure-free post-surgery often due to inaccurate EZ identification. This thesis presents a novel method for EZ localization using Graph Neural Networks (GNNs) to analyze interictal biomarkers, specifically interictal spikes and relative entropy. The GNN models were used to localize resected seizure-onset zone electrode contacts based on interictal stereoelectroencephalography data, validated on a clinical dataset of 37 patients from two institutions. The best-performing GNN model - Graph Attention Network - scored a median Area Under the Receiver Operating Characteristic (AUROC) of 0.971 and a median Area Under the Precision-Recall Curve (AUPRC) of 0.525 across a cohort of 19 patients with a good surgical outcome, significantly outperforming a benchmark model based on spike rates (Wilcoxon Signed Rank test, p
|
|
|
Verifikace otisků prstů s využitím grafových neuronových sítí
Pospíšil, Ondřej ; Špaňhel, Jakub (oponent) ; Hradiš, Michal (vedoucí práce)
Tato diplomová práce řeší verifikaci otisků prstů na základě jejich grafové reprezentace. Navržená metoda využívá grafovou neuronovou síť a kombinatorický solver pro získání přiřazení mezi markanty páru otisků. Přiřazené markanty jsou použity pro zarovnání otisků pomocí odhadnuté transformace algoritmem RANSAC. Zarovnané otisky jsou zpracovány modelem SimGNN. Výsledné skóre podobnosti je pak zkombinováno s metrikami získanými ze zarovnaných otisků prstů. Přínosem této práce je nový stabilní způsob zarovnání otisků pomocí vyřešení problému grafového přiřazení. Navrhovaný způsob verifikace nedosahuje vysoké přesnosti z důvodu přiliš malého počtu atributů markantů a slabé rozlišovací schopnosti použitých metrik.
|
|
|
Neural Networks for Automatic Table Recognition
Piwowarski, Lukáš ; Španěl, Michal (oponent) ; Hradiš, Michal (vedoucí práce)
This thesis introduces the reader to the current table recognition techniques mainly used to extract information from historical handwritten and printed tables. We also introduce a method based on graph neural network, which is inspired by the presented techniques. The method consists of three phases: graph initialization, node/edge classification and graph to text transformation phase. In the graph initialization phase, we use the node visibility algorithm and OCR to create an initial graph representation of the input table. In the node and edge classification phase, the nodes and edges are classified, and in the graph to text transformation phase, we fit the graph's nodes into a grid which is then used to produce the final text representation of the table. The implemented model achieved horizontal neighbours detection precision of 68 %, vertical neighbours detection precision of 71 % and cell detection precision of 85 % on the ABP dataset.
|
|
|
Automatické rozpoznávání matematických výrazů pomocí neuronových sítí
Halva, Vladislav ; Zemčík, Pavel (oponent) ; Hradiš, Michal (vedoucí práce)
Tato práce se zabývá problematikou automatického rozpoznávání matematických výrazů pomocí neuronových sítí. Obsahuje přehled existujících přístupů pro tuto úlohu a zaměřuje se zejména na rozpoznávání ručně psaných matematických výrazů a využití grafových neuronových sítí. Jádrem navrženého systému pro rozpoznávání ručně psaných matematických výrazů je model neuronové sítě typu kodér-dekodér využívající grafové neuronové sítě pro přirozenou práci s hierarchickou strukturou matematických výrazů. Úspěšnost systému je vyhodnocena na datové sadě CROHME, která byla publikována v rámci stejnojmenné soutěže v rozpoznávání matematických výrazu. Součástí práce jsou také experimenty, které blíže studují navržený model. Navržené řešení dosahuje úspěšnosti 13.34% ExpRate, tedy přesného rozpoznání matematického výrazu na testovacích datech sady CROHME 2019. Přínosem této práce je zejména návrh metody použití grafových neuronových sítí pro rozpoznávání matematických výrazu z obrázků a obecně jejich zpracování v grafové doméně.
|
|
|
Metody strojového učení nad webovými dokumenty
Katrňák, Josef ; Bartík, Vladimír (oponent) ; Burget, Radek (vedoucí práce)
Cílem práce je využití metod strojového učení pro klasifikaci specifických částí obsahu webových stránek. Nejprve jsou popsány současné metody reprezentace a klasifikace obsahu webových stránek s využitím metod strojového učení. Pro reprezentaci webové stránky se práce zaměřuje na experimentální nástroj FitLayout, jehož vizuální reprezentace webových stránek slouží jako vstup pro další zpracování a následné trénování modelů strojového učení. Výsledkem práce jsou natrénované modely, které klasifikují konkrétní části obsahu webových stránek. Architektura modelu je založena na grafových neuronových sítích. Pro experimenty je použita datová sada veřejně dostupných webových stránek, které obsahují stránky on-line prodávaných produktů. Výhodou navrženého a implementovaného přístupu je extrakce informací nezávislá na struktuře a jazyku webové stránky.
|
|
|
Verifikace otisků prstů s využitím grafových neuronových sítí
Pospíšil, Ondřej ; Špaňhel, Jakub (oponent) ; Hradiš, Michal (vedoucí práce)
Tato diplomová práce řeší verifikaci otisků prstů na základě jejich grafové reprezentace. Navržená metoda využívá grafovou neuronovou síť a kombinatorický solver pro získání přiřazení mezi markanty páru otisků. Přiřazené markanty jsou použity pro zarovnání otisků pomocí odhadnuté transformace algoritmem RANSAC. Zarovnané otisky jsou zpracovány modelem SimGNN. Výsledné skóre podobnosti je pak zkombinováno s metrikami získanými ze zarovnaných otisků prstů. Přínosem této práce je nový stabilní způsob zarovnání otisků pomocí vyřešení problému grafového přiřazení. Navrhovaný způsob verifikace nedosahuje vysoké přesnosti z důvodu přiliš malého počtu atributů markantů a slabé rozlišovací schopnosti použitých metrik.
|
|
|
Neural Networks for Automatic Table Recognition
Piwowarski, Lukáš ; Španěl, Michal (oponent) ; Hradiš, Michal (vedoucí práce)
This thesis introduces the reader to the current table recognition techniques mainly used to extract information from historical handwritten and printed tables. We also introduce a method based on graph neural network, which is inspired by the presented techniques. The method consists of three phases: graph initialization, node/edge classification and graph to text transformation phase. In the graph initialization phase, we use the node visibility algorithm and OCR to create an initial graph representation of the input table. In the node and edge classification phase, the nodes and edges are classified, and in the graph to text transformation phase, we fit the graph's nodes into a grid which is then used to produce the final text representation of the table. The implemented model achieved horizontal neighbours detection precision of 68 %, vertical neighbours detection precision of 71 % and cell detection precision of 85 % on the ABP dataset.
|
|
|
Automatické rozpoznávání matematických výrazů pomocí neuronových sítí
Halva, Vladislav ; Zemčík, Pavel (oponent) ; Hradiš, Michal (vedoucí práce)
Tato práce se zabývá problematikou automatického rozpoznávání matematických výrazů pomocí neuronových sítí. Obsahuje přehled existujících přístupů pro tuto úlohu a zaměřuje se zejména na rozpoznávání ručně psaných matematických výrazů a využití grafových neuronových sítí. Jádrem navrženého systému pro rozpoznávání ručně psaných matematických výrazů je model neuronové sítě typu kodér-dekodér využívající grafové neuronové sítě pro přirozenou práci s hierarchickou strukturou matematických výrazů. Úspěšnost systému je vyhodnocena na datové sadě CROHME, která byla publikována v rámci stejnojmenné soutěže v rozpoznávání matematických výrazu. Součástí práce jsou také experimenty, které blíže studují navržený model. Navržené řešení dosahuje úspěšnosti 13.34% ExpRate, tedy přesného rozpoznání matematického výrazu na testovacích datech sady CROHME 2019. Přínosem této práce je zejména návrh metody použití grafových neuronových sítí pro rozpoznávání matematických výrazu z obrázků a obecně jejich zpracování v grafové doméně.
|
host ::
RSS.