|
|
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.
|
|
|
Využití strojového vidění pro navádění robotu
Gábik, Jaroslav ; Štěpánek, Vojtěch (oponent) ; Vetiška, Jan (vedoucí práce)
Rozvojom technológií strojového videnia sa neustále rozširujú aplikácie, ktoré by nám zvýšili produktivitu, univerzálnosť alebo jednoduchosť výrobných systémov. Táto práca sa zaoberá práve využitím strojového videnia pre navádzanie robota. Úloha pozostáva z vytvorenia postupu a praktickej realizácie, kde sa overia navrhnuté predpoklady. Hlavným cieľom je určenie 3D polohy a natočenia plechového dielu alebo podzostavy dielov hlavnej karosérie automobilu ležiaceho v dosahu robota vzhľadom k jeho základnému súradnému systému. Navrhnutý postup je vhodný pre viaceré typy a rozmery dielov, ktoré spĺňajú určité požiadavky. Zameranie dielu je realizované snímaním významných bodov na diele pomocou 3D skeneru umiestneného na prírube robota a následným spracovaním v navrhnutom programe. Teoretická časť práce sa venuje prieskumu v oblasti strojového videnia, presnosti priemyselných robotov, kompenzáciám ich chýb a manipulácii a montáži plechových výliskov v automobilovom prie-mysle. Na záver bolo poskytnuté zhodnotenie a odporúčania do praxe.
|
|
|
Automatické označování obrázků
Lukáč, Michal ; Řezníček, Ivo (oponent) ; Hradiš, Michal (vedoucí práce)
Práca sa zaoberá automatickým označovaním obrázkov do sémantických kategórií. Je popísaná teória z klasi kácie a detekcie lokálnych príznakov. Sú vysvetlené základné algoritmy strojového učenia pri označovaní obrázkov a ich učenie pomocou algoritmu Gradient descent. Je navrhnuté riešenie s hierarchiou pre ImageNet a tagovanie obrázkov atribútmi. Výpočetný model MapReduce je ukázaný pre učenie na veľkých dátových sadách. V poslednej časti je popísaná implementácia, experimentálne a testovacie výsledky.
|
|
|
Konvoluční neuronové sítě
Lietavcová, Zuzana ; Zbořil, František (oponent) ; Zbořil, František (vedoucí práce)
Táto práca sa zaoberá problematikou učenia konvolučných neuronových sietí. Ide o druh hlbokých neuronových sietí, ktoré sa v súčasnosti hojne používajú predovšetkým v oblasti rozpoznávania obrazu a spracovania prirodzeného jazyka. Práca popisuje špecifiká konvolučných neuronových sietí oproti tradičným neuronovým sieťam a zameriava sa na vnútorné výpočty, ktoré realizujú pri učení. Konvolučné neurónové siete sa typicky skladajú z niekoľkých typov vrstiev neurónov a cieľom práce je demonštrovať výpočet jednotlivých typov vrstiev. V práci bol navrhnutý a implementovaný demonštračný program učenia jednoduchej konvolučnej siete s využitím vlastnej implementácie neurónovej siete. Správnosť implementácie bola overená natrénovaním siete pre riešenie klasifikačnej úlohy, boli vykonané experimenty s rôznymi architektúrami sietí a ich výsledky porovnané.
|
|
|
Rozpoznání hranic jízdního pruhu v záběrech palubní kamery
Letovanec, Lukáš ; Bartl, Vojtěch (oponent) ; Herout, Adam (vedoucí práce)
Táto práca sa zaoberá problematikou rozpoznávania hraníc jazdného pruhu v záberoch palubnej kamery. V práci je predstavená architektúra hlbokej konvolučnej neurónovej siete, pomocou ktorej sa rieši spomínaný problém. Sieť bola trénovaná na rozsiahlej dátovej sade pomocou algoritmu gradientového zostupu. Natrénovaný model preukázal schopnosť kvalitne rozpoznávať hranice jazdného pruhu v rôznych situáciách a podmienkach. Výsledok práce potvrdzuje, že hlboké konvolučné neurónové siete sú vhodným nástrojom pre rozpoznávanie hraníc jazdného pruhu.
|
|
|
Demonstrační aplikace lineární logistické regrese
Bak, Adam ; Kesiraju, Santosh (oponent) ; Beneš, Karel (vedoucí práce)
Táto bakalárska práca sa zaoberá lineárnou logistickou regresiou, modelom pre strojové učenie. Cieľom tejto práce je podrobne preskúmať a zanalyzovať ako tento klasifikačný model funguje, aby bolo možné vyvinúť učebnú pomôcku vo forme demonštračnej aplikácie. Všetky matematické rovnice, logistická sigmoida, chybová funkcia vzájomnej entropie, metóda najväčšieho spádu sú odvodené a podrobne vysvetlené. Táto práca tiež prináša náhľad do tvaru grafu chybovej funkcie vzájomnej entropie v prípade lineárnej logistickej regresie.
|
|
|
Neuronové sítě pro autonomní řízení auta
Dopita, Marek ; Hradiš, Michal (oponent) ; Smrž, Pavel (vedoucí práce)
V této práci jsou představeny principy neuronových sítí se zaměřením na autonomní vozidla. Na těchto informacích je vytvořen návrh implementace systému, který umožňuje řídit automobil bez řidiče. Ten staví na základě nástrojů, které umožňují snadnou tvorbu a testování autonomních vozidel. Jde o CARLA simulátor a Leaderboard.Návrh rozděluje jízdní trasy vozidel do tří rozdílných situací. Každá situace vyžaduje využití jiných senzorů, proto je vytvořen specifický autonomní agent, který je schopen situaci rozpoznat a přepnout mezi různými návrhy neuronových sítí. Každá taková síť je specifická svými vstupy a je učena na konkrétní situaci.Jsou vytvořeny programy, které jsou schopny jednoduše za pomoci CARLA Leaderboard posbírat datovou sadu. Poté je představen způsob, jak lze posbíraná data rozdělit do kategorií tak, aby byla každá kategorie možná použít na učení její neuronové sítě.
|
|
| |
|
| |
|
|
Optimalizace a aplikace nelineárního spektrálního unmixingu v průtokové cytometrii
Nemec, Matěj ; Musil, Jan (vedoucí práce) ; Stuchlý, Jan (oponent)
Pokroky v oblasti prtokové cytometrie umoují její vyuití pro high-througput zpracování single-cell vzork a mení relativn velkého mnoství odliných marker. Pro efektivní vyuití této technologie je ale nezbytné unmixovat zmená bunná spektra a tím se zptn dobrat interpretovatelných výsledk. K eení unmixo- vacího problému se v souasnosti typicky vyuívají lineární dekonvoluní algo- ritmy, jak napíklad metoda nejmeních tverc, které ale mají problémy s opti- málním zpracováním variabilních zdroj umu pi mení vzorku. Cílem této práce je porovnat novou nelinearní unmixovací metodu nougad, která vyuíva algo- ritmus graidentního sestupu. Pro objektivní porovnání metod jsme vytvoili model, který generuje realistická data se známou 'pravdou', naimplemento- vali paralelizovanou verzi algoritmu nougad a Bayesovsky zoptimalizovali pís- luné hyperparametry. Algoritmy jsme porovnali prostednitvím nkolik rzných metrik. Ze srovnání jasn vyplívá, e nougad typicky podává lepí výsledky ne testované lineární algoritmy. Nougad se tedy zdá být lepí volbou pro praktické vyuití a zárove slibným kandidátem pro dalí optimalizaci a vývoj. 1
|
host ::
RSS.