|
|
Rozpoznání ručně psaných číslic
Štrba, Miroslav ; Španěl, Michal (oponent) ; Herout, Adam (vedoucí práce)
Rozpoznávání ručně psaných číslic je problém, který se dá použít jako modelová úloha pro vícetřídní rozpoznávání vzorů v obraze. Tato práce zkoumá různé druhy algoritmů (Samo-organizující se mapy, Stromové klasifikátory a AdaBoost) a metody pro zvyšování úspěšnosti klasifikace pomocí fúze (většinové rozhodování, průměrování logaritmických pravděpodobnostních hodnot, lineární logistická regrese). Metody fúze byly využité na kombinaci klasifikátorů s identickými parametry trénování, s rozdílnými trénovacími metodami a s podvzorkovaným vstupním vzorem.
|
|
|
Hluboké neuronové sítě: implementace pro vestavěné systémy
Matěj, Aleš ; Šimek, Václav (oponent) ; Mrázek, Vojtěch (vedoucí práce)
Cílem této práce je první navrhnout a implementovat aplikaci pro vestavěné systémy rea-lizující konvoluční neuronovou síť jenž klasifikuje čísla MNIST, ve druhé části pak optima-lizovat paměťové a energetické nároky této sítě. Práce v teoretické části popisuje základyneuronových sítí a výpočetní platformy Cortex-M pro vestavěné systémy. Následuje popisimplementace, síť je první vytvořena a naučena pomocí knihovny Theano v Pythonu naPC a poté je převedena do C pro vývojovou desku STM32F429 Discovery, kde je následnéoptimalizována. Optimalizace je zaměřena na konvoluci, skalární součin a formát uloženívah a biasů sítě.
|
|
|
Genetický návrh klasifikátoru s využítím neuronových sítí
Tomášek, Michal ; Vašíček, Zdeněk (oponent) ; Mrázek, Vojtěch (vedoucí práce)
Cílem této práce je genetický návrh neuronových sítí, jenž budou schopné provádět klasifikaci v rámci různých klasifikačních úloh. K vytváření těchto neuronových sítí je použit algoritmus vycházející z algoritmu NeuroEvolution of Augmenting Topologies (zkráceně známého jako NEAT). Dále je představena myšlenka předzpracování, která je v implementovaném výsledku rovněž zahrnuta. Cílem předzpracování je snížení výpočetních nároků pro zpracování datové sady daného klasifikačního problému. Výsledkem této práce je množina experimentů provedených nad datovou sadou pro detekci rakovinných buněk a databází ručně psaných číslic MNIST. Klasifikátory vytvořené pro rakovinné buňky pak dosahují více jak 99% přesnosti a u experimentu MNIST dochází ke snížení výpočetních nároků o více jak 10% se zanesením zanedbatelné chyby o velikosti 0,17%.
|
|
|
Rozpoznání ručně psaných číslic
Dobrovolný, Martin ; Mlích, Jozef (oponent) ; Herout, Adam (vedoucí práce)
Rozpoznávání ručně psaných číslic je součástí oboru počítačovho vidění a také problematikou, se kterou se v dnešní době nelze vypořádat na 100 %. Tato práce popisuje metodu rozpoznávání ručně psaných číslic založenou na charakteristických rysech a rozhodovacích stromech. Metody takto založené jsou známé jejich dlouhou dobou strojového učení a vysokou rychlostí při vyhodnocování. Tato metoda užívá relativních úhlů mezi charakteristickými oblastmi, což jí umožňuje jistou míru volnosti při porovnávání podobných vzorků a také schopnost odolávat vůči nelineárním deformacím písma.
|
|
|
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.
|
|
|
Principy a aplikace neuroevoluce
Herec, Jan ; Strnadel, Josef (oponent) ; Bidlo, Michal (vedoucí práce)
Práce se na teoretické úrovni zabývá evolučními algoritmy (EA), neuronovými sítěmi (NN) a jejich syntézou v podobě neuroevoluce. Z praktického hlediska je cílem práce ukázat uplatnění neuroevoluce na dvou odlišných úlohách. První úloha spočívá v evolučním návrhu architektury konvoluční neuronové sítě (CNN), která by dokázala klasifikovat s vysokou přesností ručně psané číslice (z datasetu MNIST). Druhá úloha spočívá v evoluční optimalizaci vah neurokontroléru, který řídí přistání 1. stupně rakety Falcon 9 ve 2D simulaci. Obě úlohy jsou výpočetně velmi náročné a proto byly řešeny na superpočítači. V rámci první úlohy se podařilo navrhnout takové architektury, které při správném natrénování dosahují přesnosti klasifikace 99,49%. Ukázalo se tak, že je možné návrh kvalitních architektur zautomatizovat s využitím neuroevoluce. V rámci druhé úlohy se podařilo optimalizovat váhy neurokontroléru tak, že pro definované počáteční podmínky dovede neurokontrolér model rakety k úspěšnému přistání. V obou úlohách tedy neuroevoluce uspěla.
|
|
|
Hluboké neuronové sítě
Habrnál, Matěj ; Zbořil, František (oponent) ; Zbořil, František (vedoucí práce)
Diplomová práce se zabývá hlubokými neuronovými sítěmi, zejména pak metodami z oblasti hlubokého učení, jež slouží k inicializaci vah a samotnému učení hlubokých neuronových sítí. Dále popisuje základní teorii klasických neuronových sítí, která je důležitá pro pochopení této problematiky. Cílem této práce je experimentováním s vytvořenou aplikací realizující hluboké neuronové sítě na různě obtížných úlohách rozpoznávání obrazu zjistit optimální nastavení volitelných parametrů algoritmů. Dále pak zhodnotit výsledky a poznatky získané při experimentování s klasickou a hlubokou neuronovou sítí.
|
|
|
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: implementace pro vestavěné systémy
Matěj, Aleš ; Šimek, Václav (oponent) ; Mrázek, Vojtěch (vedoucí práce)
Cílem této práce je první navrhnout a implementovat aplikaci pro vestavěné systémy rea-lizující konvoluční neuronovou síť jenž klasifikuje čísla MNIST, ve druhé části pak optima-lizovat paměťové a energetické nároky této sítě. Práce v teoretické části popisuje základyneuronových sítí a výpočetní platformy Cortex-M pro vestavěné systémy. Následuje popisimplementace, síť je první vytvořena a naučena pomocí knihovny Theano v Pythonu naPC a poté je převedena do C pro vývojovou desku STM32F429 Discovery, kde je následnéoptimalizována. Optimalizace je zaměřena na konvoluci, skalární součin a formát uloženívah a biasů sítě.
|
|
|
Principy a aplikace neuroevoluce
Herec, Jan ; Strnadel, Josef (oponent) ; Bidlo, Michal (vedoucí práce)
Práce se na teoretické úrovni zabývá evolučními algoritmy (EA), neuronovými sítěmi (NN) a jejich syntézou v podobě neuroevoluce. Z praktického hlediska je cílem práce ukázat uplatnění neuroevoluce na dvou odlišných úlohách. První úloha spočívá v evolučním návrhu architektury konvoluční neuronové sítě (CNN), která by dokázala klasifikovat s vysokou přesností ručně psané číslice (z datasetu MNIST). Druhá úloha spočívá v evoluční optimalizaci vah neurokontroléru, který řídí přistání 1. stupně rakety Falcon 9 ve 2D simulaci. Obě úlohy jsou výpočetně velmi náročné a proto byly řešeny na superpočítači. V rámci první úlohy se podařilo navrhnout takové architektury, které při správném natrénování dosahují přesnosti klasifikace 99,49%. Ukázalo se tak, že je možné návrh kvalitních architektur zautomatizovat s využitím neuroevoluce. V rámci druhé úlohy se podařilo optimalizovat váhy neurokontroléru tak, že pro definované počáteční podmínky dovede neurokontrolér model rakety k úspěšnému přistání. V obou úlohách tedy neuroevoluce uspěla.
|
host ::
RSS.