|
|
Konvoluční neuronové sítě a jejich implementace
Schmid, Martin ; Mrázová, Iveta (vedoucí práce) ; Petříčková, Zuzana (oponent)
Tato práce ukazuje možnost využití konvolučních neuronových sítí pro rozpoznávání symbolů z obrázku. Popisuje tento model a také představuje jeho implementaci. Tato implementaci je následně použita v ukázkové aplikaci. Nejprve je představen model neuronových sítí. Poté následuje popis učení tohoto modelu, včetně bližšího popisu algoritmu zpětného šíření. Nakonec je rozebrán model konvolučních neuronových sítí, kde jsou ukázány jeho přednosti při rozpoznávání obrázků Dále se analyzují některé stávající implementace neuronových sítí. Každá je blíže představena a nakonec porovnány rychlosti. Protože žádná z těchto implementací nepodporuje model konvolučních neuronových sítí, je jedna z implementací o tento model rozšířena. Následuje bližší popis problematiky implementace tohoto modelu a představeno rozhraní rozšířené knihovny (tj. jak uživatel tuto knihovnu může použít). Pro předvedení vlastností konvolučních neuronových sítí a funkčnosti této knihovny, je nakonec vytvořena ukázková aplikace. Aplikace je dostupná na webových stránkách a spustitelná v prohlížeči. Využívá této knihovnu pro rozpoznávání symbolů kreslených uživatelem přímo do této aplikace. Klíčová slova: Konvoluční neuronové sítě, OCR, Encog 6
|
|
|
Rozpoznávání emocí pomocí konvolučních neuronových sítí
Jileček, Jan ; Najman, Pavel (oponent) ; Hradiš, Michal (vedoucí práce)
Konvoluční neuronové sítě se dnes používají v mnoha oblastech, především ale pro strojové učení, kde vykazují velkou úspěšnost. Tato práce nejprve představí existující frameworky, další algoritmy pro rozpoznávání a pak popisuje, jak probíhalo vytváření vlastní datové sady a trénink modelu pro rozpoznávání emocí. Tento model má úspěšnost klasifikace 60%. Model je následně využit pro získání statistik o emocích z filmových trailerů a z těchto statistik je sestaven model pro rozpoznávání žánrů, který je konečně použit v naší aplikaci pro určení žánru vstupního traileru s přesností až 47%.
|
|
|
Konvoluční neuronové sítě pro bezpečnostní aplikace
Kišš, Martin ; Hradiš, Michal (oponent) ; Smrž, Pavel (vedoucí práce)
Tato práce se zabývá návrhem a implementací aplikace pro rozpoznávání osob z bezpečnostní kamery. K rozpoznávání samostatného obličeje jsou zde použity konvoluční neuronové sítě, které vytváří reprezentaci daného obličeje, a algoritmus k-nejbližších sousedů, který slouží ke klasifikaci. K následnému rozpoznávání sekvence obličejů jsou zde implementovány tři algoritmy. Na testovacích datech dosahovala úspěšnost rozpoznávání až 75 %.
|
|
|
Generování obrazu pomocí konvolučních neuronových sítí
Kohút, Jan ; Kolář, Martin (oponent) ; Hradiš, Michal (vedoucí práce)
Tato bakalářská práce se zabývá navržením a analýzou konvolučních neuronových sítí generujících obrázky znaků na základě jejich parametrů. Parametry znaků jsou typ znaku, font, barva znaku, barva pozadí, translace a rotace. Neuronové sítě si vytvořily mnohorozměrnou reprezentaci jednotlivých parametrů. V rámci těchto reprezentací existují podobné vztahy jako v rámci samotných parametrů. Neuronové sítě generují znaky s novými hodnotami prametrů na základě interpolace mezi naučenými hodnotami parametrů. Neuronové sítě jsou schopné generalizace problému generování obrazu.
|
|
|
Identifikace osob pomocí hlubokých neuronových sítí
Duban, Michal ; Herout, Adam (oponent) ; Hradiš, Michal (vedoucí práce)
Tato diplomová práce se zabývá návrhem a implementací konvolučních neuronových sítí sloužících k re-identifikaci osob. Implementované konvoluční sítě byly testovány na dvou datových sadách CUHK01 a CUHK03, na kterých dosáhly výsledky srovnatelné se state of the art metodami. Navržené sítě byly implementovány ve frameworku Caffe.
|
|
|
Sledování a rozpoznávání lidí na videu
Šajboch, Antonín ; Hradiš, Michal (oponent) ; Smrž, Pavel (vedoucí práce)
Tato práce se zabývá rozpoznáváním a sledováním lidí ve videu. K rozpoznávání byla použita konvoluční neuronová síť, která extrahuje vektor rysů z přiloženého snímku obličeje. Tento extrahovaný vektor je dále klasifikován. Proces rozpoznávání musí probíhat v reálném čase a s tímto ohledem jsou také voleny veškeré použité metody. V rámci této práce byl vytvořen nový dataset obličejů, který byl získán z videozáznamů pořízených v prostorách fakulty. Videozáznamy a dataset byly použity pro experimenty k ověření přesnosti vytvořeného systému. Výsledná přesnost rozpoznávání je cca 85%. Navržený systém může být použit například k evidenci osob, počítání průchodů či k ohlášení výskytu neznámé osoby v objektu.
|
|
|
Image Captioning with Recurrent Neural Networks
Kvita, Jakub ; Španěl, Michal (oponent) ; Hradiš, Michal (vedoucí práce)
In this work I deal with automatic generation of image captions by using multiple types of neural networks. Thesis is based on the papers from MS COCO Captioning Challenge 2015 and character language models, popularized by A. Karpathy. Proposed model is combination of convolutional and recurrent neural network with encoder--decoder architecture. Vector representing encoded image is passed to language model as memory values of LSTM layers in the network. This work investigate, whether model with such simple architecture is able to generate captions and how good it is in comparison to other contemporary solutions. One of the results is that the proposed architecture is not sufficient for any image captioning task.
|
|
|
Rozpoznávání řeči pro leteckou komunikaci
Žmolíková, Kateřina ; Burget, Lukáš (oponent) ; Veselý, Karel (vedoucí práce)
Tato bakalářská práce se zabývá rozpoznáváním řeči. Jejím cílem je postavit systém rozpoznávání řeči založený na neuronových sítích a otestovat jej na nahrávkách letecké komunikace. Výsledný akustický model bude použit v projektu A-PiMod. Postavený systém dosáhl na testovacích datech úspěšnost 29.5% WER. Dalším úkolem práce byly experimenty s neuronovými sítěmi, které jsou součástí akustického modelu. První experimenty zkoumaly možnost jejich zjednodušení a urychlení a dopad na úspěšnost rozpoznávání. Další se zabývaly aktivační funkcí rectifier a také konvolučními neuronovými sítěmi. V experimentech s konvolučními neuronovými sítěmi bylo dosáhnuto 1.5% zlepšení a dosáhly tak o 0.4% lepšího výsledku než plně propojená neuronová síť se stejnou architekturou.
|
|
|
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.