|
|
Metody hlubokého učení pro segmentaci elektrokardiografických signálů
Hejč, Jakub ; Černý, Martin (oponent) ; Halámek, Josef (oponent) ; Kolářová, Jana (vedoucí práce)
Práce se zabývá metodami hlubokého učení pro segmentaci elektrokardiografických záznamů z povrchového a intrakardiálního snímání se zaměřením na síňovou aktivitu. Teoretická část seznamuje se současnými přístupy segmentace a s problematikou spojenou s využíváním standardních EKG databází pro vývoj hlubokých modelů. V práci byl navržen řetězec metod pro zpracování multimodálních dat z elektrofyziologického vyšetření. Tyto metody byly následně využity pro sestavení trénovacích datových sad. V práci byl navržen hluboký model pro segmentaci intrakardiálních záznamů založený na modifikované architektuře s reziduálním spojením. Byla provedena série experimentů sledující vliv nastavení modelu a předzpracování datové sady na kvalitu segmentace. Jako zásadní činitel se ukázala přítomnost a způsob anotace záznamů s fibrilací síní. Mezi další významné parametry patřilo nastavení penalizační funkce a způsob augmentace trénovacích dat. V práci byla dále navržena nová metoda segmentace P vln využívající neúplné reference. Přístup byl inspirován metodou hlubokého kontrastního učení, která byla modifikována pro odlišení lokálních úseků signálů na různých úrovních abstrakce extrahovaných příznakových map. Výsledky byly analyzovány pomocí standardních metrik kvality a post-hoc vizuální analýzou. V dílčích případech bylo provedeno statistické srovnání experimentů pro různá nastavení. Výsledky práce ukázaly, že je možné využít intrakardiální signály pro zabudování vektorové reprezentace lokální síňové aktivace do hlubokých modelů.
|
|
|
Deep Learning for Image Stitching
Šilling, Petr ; Beran, Vítězslav (oponent) ; Španěl, Michal (vedoucí práce)
Image stitching is an essential technique for reconstructing volumes of biological samples from overlapping tiles of electron microscopy (EM) images. Current volume EM stitching methods generally rely on handcrafted features, such as those produced by SIFT. However, recent developments indicate that convolutional neural networks (CNNs) can improve stitching accuracy by learning discriminative features directly from training images. Taking into account the potential of CNNs, this thesis proposes DEMIS, a novel EM image stitching tool based on LoFTR, an attention-based feature matching network. The thesis also proposes a novel dataset generated by splitting high-resolution EM images into grids of overlapping image tiles. The dataset is used to fine-tune LoFTR and to evaluate the DEMIS tool. Experiments on the synthetic dataset reveal higher feature matching accuracy compared to SIFT. Moreover, experiments on challenging images with small overlap regions and high resolution demonstrate significantly higher stitching robustness than SIFT. Overall, the results suggest that deep learning methods could be beneficial for EM imaging, for example, by allowing the use of smaller tile overlaps.
|
|
|
Lokalizace intrakraniálních hemoragií v axiálních řezech CT snímků hlavy.
Kopečný, Kryštof ; Chmelík, Jiří (oponent) ; Nemček, Jakub (vedoucí práce)
Tématem této práce je lokalizace intrakraniálních krvácení na snímcích počítačové tomografie pomocí jednofázového a dvoufázového detektoru založených na konvolučních neuronových sítích. Práce mimo základní poznatky z umělé inteligence klíčové pro pochopení procesu detekce objektů podává medicínské informace o patologii a zobrazování krvácení. Znalosti ze zmíněných okruhů se využijí pro vlastní návrh algoritmu pracujícím s veřejně dostupnými databázemi CT snímků hlavy a jejich anotací CQ500 a BHX. Součástí práce je vyhodnocení výsledků a jejich diskuse.
|
|
|
Detekce buněk ve snímcích zachycených pomocí mikroskopie
Hubálek, Michal ; Štursa, Dominik (oponent) ; Škrabánek, Pavel (vedoucí práce)
Cílem diplomové práce bylo vytvořit aplikaci automaticky detekující zdravé buňky kardiomyocytů ze snímků zachycených konfokálním mikroskopem. Práce vznikla na základě konkrétních potřeb výzkumníků ze Slovenské akademie věd, kterým usnadní práci a ušetří čas, protože doposud musejí snímky vyhodnocovat a hledat vhodné buňky ručně. Pro detekci je použita konvoluční neuronová síť RetinaNet, která byla implementována do uživatelsky přívětivé desktopové aplikace. Aplikace také automaticky zaznamenává a ukládá souřadnice detekovaných buněk využitelné pro snímání buněk ve vyšší obrazové kvalitě. Další výhodou vytvořené aplikace je univerzálnost, která umožňuje natrénovat detekci i na jiných datech, čímž je použitelná i na dalších detekčních projektech. Výsledkem práce je funkční, samostatně spustitelná a intuitivní aplikace, která je připravena k použití výzkumníky.
|
|
|
Konvoluční neuronová síť pro segmentaci obrazu
Mitrenga, Michal ; Petyovský, Petr (oponent) ; Jirsík, Václav (vedoucí práce)
Cílem bakalářské práce je seznámit se s problematikou konvolučních neuronových sítí a realizovat segmentaci obrazu. Toto téma v sobě zahrnuje obor počítačového vidění, který je používán v systémech s umělou inteligencí. Zvláštní pozornost je věnována procesu segmentace obrazu. Dále se práce věnuje základním principům umělých neuronových sítí, struktuře konvolučních neuronových sítí a zejména pak popisu jednotlivých architektur sémantické segmentace. Vybraná architektura SegNet je použiti v praktické aplikaci spolu s před-učenou sítí. Součástí práce je databáze obrazů CamVid, která je použita pro trénování. Pro testování je vytvořena databáze vlastních snímků. Praktická část je zaměřená na trénování CNN a hledání nevhodnějších parametrů pro učení sítě za pomocí SW Matlab.
|
|
|
Aplikace posilovaného učení při řízení modelu vozidla
Maslowski, Petr ; Uhlíř, Václav (oponent) ; Šůstek, Martin (vedoucí práce)
Tato práce se zabývá vytvořením autonomního agenta pro řízení modelu vozidla. Rozhodování agenta je řízeno pomocí posilovaného učení (reinforcement learning) s využitím neuronových sítí. Agent získává snímky z přední kamery vozidla a na základě jejich interpretace vybírá vhodné akce pro řízení vozidla. V rámci práce jsem navrhl několik funkcí odměn a s vytvořenými modely jsem experimentoval úpravou hyperparametrů. Výsledný agent pak simuluje řízení vozidla na silnici. Výsledek této práce ukazuje možný přístup k ovládání autonomního vozidla, které se učí řídit metodou strojového učení v simulátoru CARLA.
|
|
|
Počítání vozidel ve statickém obraze
Vágner, Filip ; Juránek, Roman (oponent) ; Špaňhel, Jakub (vedoucí práce)
Úkolem této práce je porovnání modelů konvolučních neuronových sítí určených k počítání vozidel ve statickém obraze pomocí odhadu hustoty se zaměřením na rozdílné velikosti objektů ve scéně. Celkem byly vyhodnoceny čtyři modely - Scale Pyramid Network, Scale-adaptive CNN, Multi-scale fusion network a CASA-Crowd. Vyhodnocení proběhlo na třech datových sadách - TRANCOS, CARPK, PUCPR+. Nejlepších výsledků dosáhl model Scale Pyramid Network. Na datové sadě TRANCOS dosáhl v metrice Mean Absolute Error hodnoty 5,44 a v metrice GAME(3) hodnoty 9,95.
|
|
|
Identifikace typu obratlů z CT dat s využitím metod strojového učení
Matoušková, Barbora ; Kolář, Radim (oponent) ; Chmelík, Jiří (vedoucí práce)
Identifikace typu obratlů pomocí strojového učení je důležitý úkol pro usnadnění práce lékařů. Tento úkol je znesnadněn mnoha faktory. Za prvé se CT snímky páteře obvykle provádí u pacientů s patologiemi jako jsou léze, nádory, kyfóza, lordóza, skolióza či u pacientů s různými implantáty, které způsobují ve snímcích artefakty. Dále jsou si sousední obratle velmi podobné, což také tento úkol komplikuje. Tato práce se zabývá klasifikací již vysegmentovaných obratlů do skupin krční, hrudní a bederní. Pro klasifikaci je využita metoda podpůrných vektorů (SVM) a konvoluční neuronové sítě (CNN) AlexNet a VGG16. Dosažené výsledky jsou v závěru porovnány.
|
|
|
Posilované učení pro hraní robotického fotbalu
Bočán, Hynek ; Škoda, Petr (oponent) ; Smrž, Pavel (vedoucí práce)
Tato práce se zabývá tvorbou umělé inteligence schopné ovládat robotického hráče fotbalu simulovaného v prostředí SimSpark. Vytvořená umělá inteligence rozšiřuje již hotového agenta, který poskytuje implementaci základních dovedností jako je orientace na hřišti, pohyb v osmi směrech a nebo driblování s balonem. Umělá inteligence se stará o výběr nejvhodnější akce v závislosti na situaci na hřišti. Pro její implementaci byla použita metoda posilovaného učení - Q-learning. Pro výběr nejlepší akce je situace na hřišti převedena do formy 2D obrazu s několika rovinami. Tento obraz je následně analyzován hlubokou konvoluční neuronovou sítí implementované pomocí C++ knihovny DeepCL.
|
|
|
Algoritmické řešení stanovení věku osoby na základě 2D fotografie za využití umělé inteligence
Bednář, Pavel ; Goldmann, Tomáš (oponent) ; Drahanský, Martin (vedoucí práce)
Automatizované určení věku člověka z fotky obličeje představuje jednu z výzev v oblasti umělé inteligence a strojového učení. Určit věk, je i pro člověka mnohdy netriviální záležitost, narozdíl od jiných biologických charakteristik, jako je určení pohlaví nebo rasové příslušnosti. Přitom informace o věku jedince je pro určité situace velmi podstatná. Například při spáchání nějakého přestupku či trestného činu o výši trestu spolurozhoduje právě věk. Dále tuto informaci lze využít při analýze zákazníků komerčního subjektu a následnému přizpůsobení nabídky. Cílem této práce je tedy umět z fotografie lidského obličeje extrahovat jeho věk. Algoritmus se skládá ze dvou modulů. Pokud první modul řekne, že je osoba mladší 14 let, půjde obrázek ještě do druhého modulu. Dále je představena ještě jedna verze algoritmu s přidaným modulem zaměřeným na vybrané obličejové rysy. Ve všech modulech se nad obrázkem provedou transformace, jejichž výsledky se zprůměrují. Na závěr je algoritmus vyhodnocen na standardních datasetech pro určení věku a porovnán s aktuálně používanými metodami v této oblasti.
|
host ::
RSS.