|
|
Exploring Brain Network Connectivity through Hemodynamic Modeling
Havlíček, Martin ; Hluštík, Petr (oponent) ; Šmídl,, Václav (oponent) ; Jan, Jiří (vedoucí práce)
Functional magnetic resonance imaging (fMRI) utilizing the blood-oxygen-level-dependent (BOLD) effect as an indicator of local activity is a very useful technique to identify brain regions that are active during perception, cognition, action, and also during rest. Currently, there is a growing interest to study connectivity between different brain regions, particularly in the resting-state. This thesis introduces a new and original approach to problem of indirect relationship between observed hemodynamic response and its cause represented by neuronal signal, as this indirect relationship complicates the estimation of effective connectivity (causal influence) between different brain regions from fMRI data. The novelty of this approach is in (generalized nonlinear) blind-deconvolution technique that allows estimation of the endogenous neuronal signals (system inputs) from measured hemodynamic responses (system outputs). Thus, it enables a fully data-driven evaluation of effective connectivity on neuronal level, even though only fMRI hemodynamic responses are observed. The solution to this difficult deconvolution (model inversion) problem is obtained through a nonlinear recursive Bayesian estimation framework for joint estimation of hidden model states and parameters. This thesis is divided into three main parts. The first part proposes a method to solve the above mentioned inversion problem. The method uses a square-root form of a nonlinear cubature Kalman filtering and cubature Rauch-Tung-Striebel smoothing extended to a joint estimation problem defined as a simultaneous estimation of states and parameters in a sequential manner. The method is designed particularly for continuous-discrete systems and obtains an accurate and stable solution to model discretization by combining nonlinear (cubature) filtering with local linearization. Moreover, the inversion method is equipped with the adaptive estimation of measurement, state, and parameter noise statistics. The first part of the thesis is focused only on the single time course model inversion; i.e. estimation of neuronal signal from fMRI signal. The second part generalizes the proposed approach and applies it to multiple fMRI time courses in order to enable the estimation of coupling parameters of a neuronal interaction model; i.e. estimation of effective connectivity. This method represents a novel stochastic treatment of dynamic causal modeling, which makes it distinct from any previously introduced approach. The second part also deals with methods for Bayesian model selection and proposes a technique for detection of irrelevant connectivity parameters to achieve improved performance of parameter estimation. Finally, the third part provides a validation of the proposed approach by using both simulated and empirical fMRI data, and demonstrates robust and very good performance.
|
|
|
Využití umělé inteligence k monitorování stavu obráběcího stroje
Kubisz, Jan ; Kroupa, Jiří (oponent) ; Kovář, Jiří (vedoucí práce)
Diplomová práce se zabývá vytvořením vnitřní struktury neuronových sítí s cílem vytvoření umělé neuronové sítě schopné monitorovat stav stroje a vyhodnocovat jeho zbývající život. Cílem je vytvoření algoritmů a knihovny pro návrh a učení neuronové sítě, a tím i hlubší pochopení problematiky než při použití existujících knihoven. Zvolenou metodou byla dopředná síť s architekturou vícevrstvého perceptronu a učenou pomocí zpětné propagace. Dosaženým výsledkem bylo, že síť byla schopna určovat stav součásti z měření vibrací a na jeho základě byl odhadován zbývající život dané součásti.
|
|
|
Prořezávání hlubokých neuronových sítí pro rozpoznávání textu
Petráš, Simon ; Hradiš, Michal (oponent) ; Kišš, Martin (vedoucí práce)
Dokument predstavuje prácu na prerezávanie neurónovej siete slúžiacej na rozpoznávanie ručne písaného textu. Cieľom práce je vytvoriť program na prerezávanie danej siete. Prerezávali sme dva typy neurónových sieti a to konvolučné a rekurentné neurónové siete. Pri prerezávaní konvolučnej časti bolo experimentované s rôznymi kritériami výberu parametrov. Výsledkom práce je model, ktorý dosahuje 20% zrýchlenie pri znížení presnosti siete iba o 0.4%, ale aj množstvo iných modelov, ktoré sú rýchlejšie ale nadobúdajú aj vyššej nepresnosti.
|
|
|
Hodnocení zdravotního stavu výsadeb dřevin rostoucích mimo les s různou úrovní následné péče v Moravskoslezském kraji
Gregořicová, Anna
Tato bakalářská práce se zabývá vlivem kvality následné péče po výsadbě dřevin na jejich vitalitu, zdravotní stav a perspektivu. Hodnocení probíhalo na pěti lokalitách v okolí města Opavy v Moravskoslezském kraji. Sledováno bylo celkem 871 jedinců. Hodnocení probíhalo za využití upravené a rozšířené metodiky vycházející z Arboristického standardu – Hodnocení stavu stromů SPPK A01 001:2018 od AOPK ČR. V rámci hodnocení dřevin byl potvrzen vliv kvality povýsadbové péče na následnou perspektivu vysázených dřevin. Hodnocení také zahrnovalo zjištění nejčastějších příčin odumírání, či snížení perspektivy včetně zjištění dalších vlivů ovlivňujících výsadby.
|
|
|
Model Compression of Denoising Diffusion Probabilistic Models for Image Generation
Dobiš, Lukáš ; Kišš, Martin (oponent) ; Hradiš, Michal (vedoucí práce)
This thesis is dedicated to optimizating computation in generative diffusion models by evaluating conventional model compression aproaches on Denoising Diffusion Probabilistic Model (DDPM). Model compression was done on parameters of pretrained baseline DDPM neural network by several quantization and pruning methods. These methods were evaluated on three image dataset benchmarks. Results show that quantization and pruning are viable compression methods for downsizing diffusion networks, because they showed little decrease in quality of generated imagery. These results confirm that implemented compression approaches are vital for deployment of diffusion models on resource constrained Edge devices or to offset their compute costs.
|
|
|
Modelování akcelerátorů neuronových sítí
Klhůfek, Jan ; Sekanina, Lukáš (oponent) ; Mrázek, Vojtěch (vedoucí práce)
Cílem této diplomové práce je zaměřit se na modelování akcelerátorů neuronových sítí s HW podporou kvantizace. Práce nejprve přibližuje koncept výpočtu konvolučních neuronových sítí (CNN) a představuje kategorie různých hardwarových architektur, které slouží k jejich zpracování. Následně jsou shrnuty optimalizační techniky modelů CNN, jejichž cílem je dosáhnout efektivního zpracování na specializovaných hardwarových architekturách. Další část práce obsahuje porovnání existujících analytických nástrojů, jež slouží k odhadu výkonnostních parametrů HW při inferenci, a které jsou rozšiřitelné o implementaci podpory kvantizace. Na základě experimentálního porovnání byl pro účely této práce vybrán nástroj Timeloop. Dále je představen popis fungování tohoto nástroje spolu s návrhem a implementací jeho rozšíření o podporu kvantizace. V závěru práce jsou experimentálně otestovány důsledky různých konfigurací kvantizace na vyhodnocené parametry inference u různých hardwarových architektur.
|
|
|
Vliv vyvětvování na tloušťkový a výškový přírůst třešně ptačí (Prunus avium L.) v podmínkách ŠLP "Masarykův les" Křtiny
Žalek, Mikuláš
Třešeň ptačí produkuje velmi hodnotné dřevo, které může zvýšit ekonomický užitek v lesním hospodářství. Pro vypěstování kvalitních třešní je nutné provádět vyvětvování, kterým se postupně dosáhne rovných, dlouhých a bezsukých kmenů. Cílem práce bylo posoudit reakci třešní na různé způsoby vyvětvování. Šetření se uskutečnilo ve čtyřech mladých porostech nacházejících se na ŠLP Křtiny. Výsledky potvrzují, že vyvětvování má negativní vliv na tloušťkový přírůst. Čím je redukce koruny razantnější, tím více přírůst klesá. Vliv vyvětvování na výškový přírůst nebyl jednoznačně prokázán. Praktickým doporučením je provádět mírnější nebo selektivní způsob vyvětvování, které nesnižuje výrazně tloušťkový přírůst. Třešně by měly být vyvětvovány včas, opakovaně po dvou až třech letech, kdy nejsou větve příliš silné, a lze očekávat rychlé zacelení řezných ran. Dále je nutné s třešní pěstovat i výchovné dřeviny, které chrání jejich kmeny před osluněním vyvolávající vznik sekundárních výhonů.
|
|
|
Prořezávání hlubokých neuronových sítí pro rozpoznávání textu
Petráš, Simon ; Hradiš, Michal (oponent) ; Kišš, Martin (vedoucí práce)
Dokument predstavuje prácu na prerezávanie neurónovej siete slúžiacej na rozpoznávanie ručne písaného textu. Cieľom práce je vytvoriť program na prerezávanie danej siete. Prerezávali sme dva typy neurónových sieti a to konvolučné a rekurentné neurónové siete. Pri prerezávaní konvolučnej časti bolo experimentované s rôznymi kritériami výberu parametrov. Výsledkom práce je model, ktorý dosahuje 20% zrýchlenie pri znížení presnosti siete iba o 0.4%, ale aj množstvo iných modelov, ktoré sú rýchlejšie ale nadobúdajú aj vyššej nepresnosti.
|
|
|
Artificial Neural Networks and Their Usage For Knowledge Extraction
Petříčková, Zuzana ; Mrázová, Iveta (vedoucí práce) ; Procházka, Aleš (oponent) ; Andrejková, Gabriela (oponent)
Název práce: Umělé neuronové sítě a jejich využití při extrakci znalostí Autor: RNDr. Zuzana Petříčková Katedra: Katedra teoretické informatiky a matematické logiky Vedoucí disertační práce: doc. RNDr. Iveta Mrázová, CSc., Katedra teo- retické informatiky a matematické logiky Abstrakt: Vrstevnaté neuronové sítě jsou známé především díky své schopnosti dobře zobecňovat a odhalit v datech i složité nelineární závislosti. Na druhé straně má tento model tendenci vytvářet poměrně složitou vnitřní strukturu, a to především pro rozsáhlé datové sady. Při efektivním řešení náročných úloh jsou proto kladeny vysoké nároky především na rychlost procesu učení, schopnost sítě zobecňovat a na vytvoření jednoduché a transparentní struktury modelu. V této práci jsme navrhli obecnou metodologii pro učení vrstevnatých neuro- nových sítí. Jejím základem je rychlá a robustní metoda škálovaných konjugo- vaných gradientů. Tento standardní algoritmus učení je rozšířen o analytické či aproximativní oslabování citlivosti a o vynucovaní kondenzované interní re- prezentace. Redundantní vstupní a skryté neurony jsou prořezávány pomocí technik založených na citlivostní analýze a interní reprezentaci znalostí....
|
|
|
Využití umělé inteligence k monitorování stavu obráběcího stroje
Kubisz, Jan ; Kroupa, Jiří (oponent) ; Kovář, Jiří (vedoucí práce)
Diplomová práce se zabývá vytvořením vnitřní struktury neuronových sítí s cílem vytvoření umělé neuronové sítě schopné monitorovat stav stroje a vyhodnocovat jeho zbývající život. Cílem je vytvoření algoritmů a knihovny pro návrh a učení neuronové sítě, a tím i hlubší pochopení problematiky než při použití existujících knihoven. Zvolenou metodou byla dopředná síť s architekturou vícevrstvého perceptronu a učenou pomocí zpětné propagace. Dosaženým výsledkem bylo, že síť byla schopna určovat stav součásti z měření vibrací a na jeho základě byl odhadován zbývající život dané součásti.
|
host ::
RSS.