|
|
Prediction of the effect of mutations on protein stability
Rosinská, Monika ; Martínek, Tomáš (oponent) ; Musil, Miloš (vedoucí práce)
The aim of this thesis is to develop a classification model for protein mutations, distinguishing between stabilizing and destabilizing variants. The model was implemented using a convolutional neural network architecture, utilising the ResNet50V2 pre-trained neural network and a dataset sourced from FireProtDB. With an accuracy of 0.7, the model effectively predicts the impact of mutations on protein stability. Furthemore, it can provide a confidence measure for its predictions.
|
|
|
Evoluční návrh neuronových sítí
Kastner, Jan ; Hurta, Martin (oponent) ; Sekanina, Lukáš (vedoucí práce)
Tato práce je věnována implementaci metody pro řešení problémů v oblasti automatizovaného návrhu architektury konvolučních neuronových sítí (CNN). Optimalizace dvou základních a často protichůdných charakteristik, počtu parametrů a kvality klasifikace CNN, je prováděna pomocí vícekriteriálního optimalizačního genetického algoritmu (NSGA-II). Pro zakódování tohoto problému je využita technika kartézského genetického programování (CGP), která umožňuje reprezentaci široké škály architektur CNN a současně lze parametrizací vhodně omezit prohledávaný prostor. Experimenty byly prováděny na datasetu MNIST za účelem pochopení vlivu velikosti populace na kvalitu výsledného řešení. Z výsledků experimentů je také patrné, že kvalita nalezených architektur dokáže konkurovat již etablovaným modelům. Jedná se tedy o alternativní přístup, který v porovnání s manuálním návrhem nevyžaduje lidskou intervenci.
|
|
|
Doplnění chybějící části obrazu pomocí hlubokého učení
Zobaník, Radek ; Kubík, Tibor (oponent) ; Šilling, Petr (vedoucí práce)
V této práci vznikla aplikace pro testování a porovnávání metod pro doplnění chybějící části obrazu za využití hlubokého učení a byly natrénovány dvě metody, pconv s konvoluční architekturou, respektive AOT-GAN s GAN architekturou. Práce popisuje návrh výsledné aplikace, její funkcionalitu a důležité body implementace. Byla zvolena datová sada, na které byly vybrané modely optimálně natrénovány. Proběhly experimenty na AOT-GAN modelu, kdy se zkoumal vliv počtu AOT bloků v generátoru na výsledný doplněný obraz. Všechny experimenty byly kvalitativně a kvantitativně porovnány. Výsledky ukázaly úctyhodné výsledky při práci s přírodní scenérií.
|
|
|
Using unlabeled data for retinal segmentation
Shemshur, Andrii ; Jakubíček, Roman (oponent) ; Vičar, Tomáš (vedoucí práce)
This bachelor's thesis is concerned with the development and evaluation of advanced methods for medical image segmentation in the context of limited training data. The study examines supervised learning techniques employing Convolutional Neural Networks (CNNs), transfer learning with pre-trained models, and semi-supervised learning strategies. A supervised convolutional neural network (CNN) model based on the U-Net architecture was employed as the baseline, achieving a Dice coefficient of 77.6\% and an intersection over union (IoU) of 63.4%. The application of transfer learning using a ResNet34 encoder pre-trained on ImageNet led to a notable improvement in performance, with a Dice coefficient of 81.9%, an IoU of 69.3%, and an accuracy of 96.7%. Furthermore, semi-supervised learning strategies, including pseudo-labeling and denoising pretraining, were employed to enhance the model's performance. The pseudo-labeling approach yielded a Dice coefficient of 81.7% and an IoU of 69.1%, thereby demonstrating the efficacy of leveraging unlabeled data. The denoising pretraining approach demonstrated robust performance, achieving a Dice coefficient of 80.3% and an IoU of 67.0%, even in the presence of noisy and unlabeled data. These outcomes underscore the potential of transfer learning and semi-supervised methods to enhance segmentation accuracy in medical image analysis. They provide a robust foundation for future research in this field.
|
|
|
Sledování postavy
Berka, Jiří Michael ; Řičánek, Dominik (oponent) ; Richter, Miloslav (vedoucí práce)
Bakalářská práce se zabývá vývojem softwaru pro sledování cvičící postavy a vyhodnocení odchylek od správného provedení pohybových úkonů. V práci jsou nejprve teoreticky rozebrány základy zpracování digitálního obrazu, použití různých typů kamer a technologie počítačového vidění. Následně jsou popsány metody umělé inteligence a hlubokého učení, které umožňují detekci a analýzu pohybů. Hlavní část práce se zaměřuje na implementaci systému OpenPose pro odhad pózy v reálném čase. Jsou diskutovány technické výzvy a navržena řešení pro dosažení přesnosti a spolehlivosti systému. Praktická část zahrnuje testování softwaru na reálných videích a vyhodnocení jeho výkonu. Výsledky ukazují, že vyvinutý software může efektivně pomoci při korekci pohybů a prevenci zranění v různých aplikacích.
|
|
|
Ověření pravosti podpisu s využitím algoritmů založených na neuronových sítích
Čírtek, Petr ; Kiac, Martin (oponent) ; Myška, Vojtěch (vedoucí práce)
Podpis je jednou z nejpoužívanějších biometrik v bankovnictví a při uzavírání smluv, proto je zpětné ověření pravosti podpisu důležité. Toto ověření se dá provést za pomoci forenzního specialisty, nebo, díky nástupu pokročilých technologií, za pomoci výpočetní techniky. Účelem této práce je vytvořit metody ověření pravosti podpisu využitím neuronových sítí pro český typ podpisu a zjistit, zdali přidání manuálně získaných příznaků ke konvoluční analýze vylepší tyto metody. Neuronové sítě se snaží replikovat fungování lidského mozku, sestávají ze vstupních neuronů, několika skrytých vrstev a výstupních neuronů. Neuronové sítě jsou jedny z nejoblíbenějších technologií umělé inteligence pro analýzu a klasifikaci obrázků. Navržené metody v této práci fungují na principech konvolučních sítí. První metoda se skládá ze tří konvolučních vrstev, které z obrázku podpisu získávají důležité vlastnosti, které předají plně propojené vrstvě s klasifikátorem. Ten určí, zdali jde o podpis pravý, či falešný. Zároveň byly pro tuto metodu vytvořeny dvě funkce, které dokáží interpretovat její rozhodování. Druhá metoda, siamské konvoluční neuronové sítě, na rozdíl od první nepracuje s podpisy samostatně, ale využívá pro určení pravosti referenční obrázek podpisu. Základem této metody je vytažení příznaků pomocí konvoluční analýzy jak z referenčního podpisu, tak z podpisu, který je určen na ověření. Tyto příznaky se následně spojí a předají klasifikátoru. Pro natrénování modelů, které by ověřovaly český typ podpisů, byla vytvořena česká datová množina. Z experimentů bylo zjištěno, že přidání příznaků má potenciál vylepšit přesnost predikcí metod založených na konvoluční analýze obrazu. Byly natrénovány 3 modely, které s přesností vyšší než 80 \% dokáží ověřovat český typ podpisů, a to: model metody konvoluční neuronové sítě s příznakem diskrétní vlnkové transformace, který byl trénovaný na české datové množině, model stejné metody trénovaný na množině CEDAR s příznakem počtu tahů a model metody siamské konvoluční neuronové sítě trénovaný na české množině podpisů s příznakem tri-surface.
|
|
|
Automatizace videoextenzometrů s využitím metod umělé inteligence
Leinweber, Vít ; Adamec, Tomáš (oponent) ; Ščerba, Bořek (vedoucí práce)
Tato diplomová práce se zabývá automatizací použití videoextenzometrů s využitím metod umělé inteligence, a to konkrétně implementací vhodného algoritmu pro rozpoznání typu měřeného vzorku a umístění vhodného softwarového nástroje do správné polohy na vzorek v reálném čase. V teoretické části práce je popsána digitální korelace obrazu, počítačové vidění se zaměřením na rozpoznávání objektů v obraze a strojové učení se zaměřením na hluboké konvoluční neuronové sítě a jejich architektury pro detekci objektů v obraze. Na základě poznatků z teoretické části práce je zvolen algoritmus YOLOv8 jako nejvhodnější pro klasifikaci typu vzorku a určení jeho polohy v reálném čase. V praktické části práce je pomocí databáze výrobce videoextenzometrů vytvořen dataset obsahující tři typy těles určených k detekci. Tento dataset je dále rozšířen o vlastní snímky vzorků a augmentován. Zvolený algoritmus je pomocí vytvořeného datasetu trénován, optimalizován a testován. V rámci optimalizace je použit genetický algoritmus a náhodné prohledávání prostoru hyperparametrů. Nejlepší natrénované modely algoritmu YOLOv8 jsou navzájem porovnány na dvou testovacích množinách, a je vybrán nejlepší z nich. Dále je popsána práce s tímto modelem jako detektorem integrovaným do příslušného softwaru pro práci s videoextenzometry. Na závěr je navržen postup na korekci vlivu nezarovnaných vzorků na snímcích vstupujících do detektoru.
|
|
|
Automatická kontrola dopravního značení
Čechmánek, Roman ; Klíma, Ondřej (oponent) ; Musil, Petr (vedoucí práce)
Cílem této práce je vytvoření finančně nenáročného nástroje, který by byl schopen zautomatizovat proces kontroly dopravního značení. To zahrnuje práci se záznamy jízd po pozemních komunikacích, vytvořených pomocí levného záznamového zařízení jako je například akční kamera GoPro, či některé z palubních kamer. Kontrola probíhá na základě systémem lokalizovaného dopravního značení a historických dat o mapování dopravního značení. Výsledkem práce je systém, jehož vstupem jsou záznamy jízd a historická data a výstupem jsou dva soubory obsahující informace o výsledcích kontroly. Prvním z nich je soubor GEOJSON, který je vhodný pro další zpracování získaných dat a soubor HTML, který poskytuje jednoduché uživatelské rozhraní vizualizující výsledky kontroly na interaktivní webové mapě.
|
|
|
Evoluční návrh nelineárních funkcí pro konvoluční neuronové sítě
Hladiš, Martin ; Mrázek, Vojtěch (oponent) ; Sekanina, Lukáš (vedoucí práce)
Cílem této diplomové práce je návrh a implementace programu pro automatizovaný návrh nelineárních aktivačních funkcí pro konvoluční neuronové sítě (CNN) s využitím evolučních algoritmů. Využití automatického návrhu poskytuje nezávislý pohled na systematické prozkoumání širokého spektra aktivačních funkcí a identifikaci těch nejlepších. Metoda zvolená v práci pro automatický návrh je formou evolučních algoritmů nazývanou jako kartézské genetické programování, které pro zakódování řešení využívá grafovou reprezentaci. Tato technika umožňuje definici sady matematických primitiv, která definuje prohledávací prostor, a tak jednoduše parametrizuje návrh. Implementovaný přístup byl otestován na několika různých architekturách a datasetech (LeNet-5 \& MNIST, ResNet-10 \& FashionMNIST, WRN-40-4 \& CIFAR-10). Experimenty dokázaly, že přístup dokáže nalézt aktivační funkce, které statisticky zlepšují přesnost CNN oproti běžně využívané funkci ReLU.
|
|
|
Generování obrázků sítnice s omezeným množstvím trénovacích dat
Senichak, Yahor ; Semerád, Lukáš (oponent) ; Kavetskyi, Andrii (vedoucí práce)
Účelem této studie je prozkoumat pokrok a aplikaci počítačového vidění a generativních adversariálních sítí (GAN 3.1) v diagnostice a studiu onemocnění očního pozadí. Zvláštní pozornost je věnována nejnovějším pokrokům v oblasti syntézy medicínských dat a vývoji vlastního algoritmu. Byla provedena implementace nejnovějších pokroků v oblasti architektury hlubokého učení U-GAT-IT [22], která zahrnuje dva páry hlubokých neuronových sítí (dva generátory a dva diskriminátory). Tato implementace prošla tréninkem po dobu přibližně 300 000 iterací, během kterých byly dosaženy pozitivní výsledky. Byla zaznamenána dynamika procesu tréninku a provedeny testy, které prokázaly schopnost generovat kvalitní syntetické snímky očního pozadí nezávisle na vstupních datech.
|
host ::
RSS.