|
|
Vizuální detekce anomálií v průmyslové výrobě
Hrabica, Jan ; Richter, Miloslav (oponent) ; Horák, Karel (vedoucí práce)
Tato práce pojednává o problematice unárních klasifikátorů pro detekci anomálií v průmyslové výrobě. V úvodu je rozebrána klasifikace jako obecný problém, metody klasifikace a některé jejich hodnocení a následně jsou rozebrány hlavní kategorie používaných architektur. V praktické části je popsán proces tvorby scény a následné pořizování datasetu. Vytvořený dataset je použit na naučení klasifikátoru, na kterém jsou v závěru práce provedeny různé experimenty za účelem odhadu výkonnosti.
|
|
|
Využití autoenkodérů pro tvorbu hlubokých sítí
Lohniský, Michal ; Veselý, Karel (oponent) ; Hradiš, Michal (vedoucí práce)
Tato práce se zabývá předtrénováním hlubokých sítí autoenkodéry. V prvních kapitolách jsou popsány prvky neuronové sítě. Další kapitoly jsou věnovány trénování hlubokých sítí a výsledkům, ve kterých je porovnáváno předtrénování autoenkodéry a algoritmus Backpropagation. Z výsledků experimentů na dvou datasetech vyplývá, že předtrénování autoenkodéry má kladný přínos, zvláště v kombinaci s Finetuningem.
|
|
|
Analysis of GPON frames using machine learning
Tomašov, Adrián ; Horváth, Tomáš (oponent) ; Holík, Martin (vedoucí práce)
This thesis focuses on the analysis of selected part of GPON frame using machine learning algorithms implemented by using TensorFlow library. Considering that the GPON protocol is defined as a set of recommendations, implementation by various device vendors may be different to designed protocol. Therefore, an analysis by a push-down automaton is not sufficient. The main goal is to create a system of models using TensorFlow library in Python3 capable of abnormality detection in the communication. These models use various architectures of neural networks (e.g. LSTM, autoencoder) and focus on different types of analysis. This system learns from baseline traffic and notifies about irregularities found in the newly captured traffic. As a result, the system estimates the similarity level of current traffic compared to the baseline.
|
|
|
Implementace autoenkodéru pro zpracování obrazových dat
Sarančuk, Nikola ; Bilík, Šimon (oponent) ; Horák, Karel (vedoucí práce)
Práce se věnuje rešerši problému detekce anomálií v průmyslové inspekci. V práci je popsána umělá neuronová síť a její jednotlivé části. Práce obsahuje kapitolu, kde jsou srovnány unární, binární a multi-class klasifikátory. Dále je v práci vysvětlena architektura konvolučních neuronových sítí a architektura sítí typu autoenkodér. Poté je v práci popsán vytvořený anotovaný dataset. Nakonec je v práci popsána implementace konvolučního autoenkodéru a zhodnocena kvalita klasifikace.
|
|
|
Non-Parallel Voice Conversion
Brukner, Jan ; Plchot, Oldřich (oponent) ; Černocký, Jan (vedoucí práce)
Voice conversion (VC) aims at converting the voice of source speaker to the voice of target speaker. It is popular in funny Internet videos but has also series of serious use cases, such as dubbing of audiovisual material and anonymization of voice (for example for witness protection). As it can serve for spoofing of voice identification systems, it is also an important tool for development spoofing detectors and counter-measures. Training VC models has mainly been on parallel audios (ie. two speakers uttering the same text) and on high quality audio material. The goal of this thesis was to investigate developing VC on non-parallel data and with low quality signals, mainly from publicly available dataset VoxCeleb. This work follows the state-of-the-art AutoVC architecture defined by Qian et al. It is based on neural network (NN) autoencoders, aiming to separate speech into content- and speaker-dependent embedding. The target speech is then obtained by replacing source speaker embedding by the target speaker one. We have improved Qian's architecture to process low-quality audio by experimenting with different speaker embeddings (d-vectors vs. x-vectors), introducing a speaker classifier from content embeddings in an adversarial setup, and tuning the size of content embeddings imposing an information bottleneck to the autoencoder. Also, we have defined another adversarial architecture by comparing original content embeddings with those obtained after the VC process. The results of experiments prove that non-parallel VC on low-quality data is indeed doable. The resulting audios were not so good as in case of using high-quality ones, but the speaker verification results after spoofing by proposed system have clearly shown a shift of voice characteristics toward the target speakers.
|
|
|
Konvoluční neuronová síť pro zpracování obrazu
Krajčovičová, Mária ; Rajmic, Pavel (oponent) ; Burget, Radim (vedoucí práce)
Cílem diplomové práce bylo nastudování problematiky konvolučních neurónových sítí v posledních letech. Dále se práce zabíva navržením vhodných modelů konvolučních neurónových sítí a jejich následní implementaci v prostředí jazyka Java. Výsledkem práce je porování a zhodnocení dosažených výsledků získaných prostřednictvým implementované aplikace.
|
|
|
Unsupervised Deep Learning Approach for Seizure Onset Zone localization in Epilepsy
Přidalová, Tereza ; Cimbálník, Jan (oponent) ; Mehnen, Lars (vedoucí práce)
Epilepsy affects about 50 million people worldwide, with one-third of patients being drugresistant and therefore candidates for an invasive brain resection surgery. Brain resection surgery candidates undergo invasive intracranial encephalography (iEEG) monitoring to determine the seizure onset zone (SOZ). Recorded data can span over weeks and need to be manually reviewed by a physician to assess SOZ. This process can be time-consuming and burdensome due to the vast amount of collected data. This work investigates utilisation of an deep autoencoder for unsupervised data exploration and specifically its ability to discriminate between SOZ and non-SOZ (NSOZ) iEEG channels. The data used in this thesis consists of iEEG collected from 33 patients in two institutes (Mayo Clinic, Rochester, Minnesota, USA and St. Anne´s University Hospital, Brno, Czech Republic - FNUSA) who underwent invasive presurgical monitoring. The autoencoder’s capability to discriminate between SOZ and NSOZ was evaluated using a self-learned embedded feature space representation of the autoencoder network. Autoencoder features were compared to previously established biomarkers for SOZ determination. Discrimination capability was evaluated for both autoencoder features and biomarkers using a Naive Bayes classifier and leave-one-out cross-validation. The achieved area under receiver operating characteristic curve (AUROC) was 0.68 for the FNUSA and 0.56 for the Mayo dataset. Performance in discriminating between SOZ and NSOZ electrodes was not significantly different between the investigated autoencoder features and previously established biomarkers. Selecting the better performing classifier for each patient increased the AUROC to 0.75 and 0.64 for the FNUSA and Mayo dataset, respectively. The results suggest that future approaches combining biomarkers and self-learning methods have a potential to improve the SOZ vs NSOZ discrimination capability of unsupervised iEEG exploration systems, and thus to enhance the surgical management of epilepsy.
|
|
|
Separace mluvčích v časové doméně pomocí neuronové sítě
Peška, Jiří ; Černocký, Jan (oponent) ; Žmolíková, Kateřina (vedoucí práce)
Práce se zabývá využitím konvolučních neuronových sítí pro automatickou separaci mluvčích v akustickém prostředí. Cílem je implementovat neuronovou síť podle architektury TasNet za použití frameworku PyTorch, natrénovat síť s různými hodnotami hyperparametrů a porovnat kvalitu separací vzhledem k velikosti síťě. Architektura oproti dosavadním metodám, které převáděly vstupní směs do časově-frekvenční reprezentace, používá konvoluční autoenkodér, který vstupní směs převádí do nezáporné reprezentace, která je optimalizovaná pro extrakci jednotlivých mluvčích. Samotné separace je docíleno aplikací masek, které jsou odhadnuty v separačním modulu. Modul tvoří opakující se posloupnost konvolučních bloků se zvyšující se dilatací, která napomáhá k modelování časových závislostí ve zpracovávané směsi. K vyhodnocení přesnosti byly použity metriky signal to distortion ratio (SDR), dále perceptual evaluation of speech quality (PESQ) a short-time objective intelligibility (STOI). Trénování a vyhodnocování proběhlo za použití Wall Street Journal datasetu (WSJ0). Natrénováním několika modelů s různými hodnotami hyperparametrů bylo možno pozorovat závislost mezi velikostí sítě a hodnotou SDR. Zatímco menší síť dosahovala, po 60 epochách trénování, přesnosti 10.8 dB, větší síť dosahovala až 12.71 dB.
|
|
|
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.
|
|
|
Všesměrová detekce objektů
Lohniský, Michal ; Beran, Vítězslav (oponent) ; Juránek, Roman (vedoucí práce)
Tato práce se zabývá modifikací extrakce příznaků a učícího procesu detektorů pro všesměrovou detekci objektů. Jde o přidání nových kanálů u detektorů založených na "Aggregate channel features". Nové kanály jsou tvořeny filtrováním obrazu jádry z autoenkodérů a následným použitím nelineární funkce sigmoidy. Experimenty ukazují, že nové kanály jsou úspěšné, avšak výpočetně náročnější než ostatní. Jsou zde proto diskutovány možnosti, jak výpočet urychlit. Dále je v této práci vyhodnocen uměle vytvořený dataset automobilů a je zde diskutován jeho malý přínos při jeho aplikaci na několik detektorů.
|
host ::
RSS.