|
|
Akcelerace vyhledávání v prostorových strukturách
Vlk, Jakub ; Čižmarik, Roman (oponent) ; Vlnas, Michal (vedoucí práce)
Tato práce představuje implementaci rychlých algoritmů pro nalezení nejbližšího souseda, které efektivně určují, který bod z dané množiny je nejblíže k zadanému bodu. Algoritmy jsou navíc škálovatelné pro hledání k-nejbližších sousedů. Součástí je i specializované vyhledávání bodů s podobnou orientací na základě specifických kritérií a většího množství přístupů pro hledání orientovaných bodů. Struktura využívá vlastností z Voronoi diagramu, Octree, ale i hašovací tabulky nebo binární vyhledávání. Složitost u vyhledání nejbližšího souseda dosahuje časů blížících se konstantním hodnotám, neboť celková složitost je logaritmicky logaritmická. Práce obsahuje podrobné testování, jak po stránce přesnosti, tak po stránce výkonnosti.
|
|
|
Klasifikační metody analýzy vrstvy nervových vláken na sítnici
Zapletal, Petr ; Kolář, Radim (oponent) ; Odstrčilík, Jan (vedoucí práce)
Tato práce se zabývá klasifikací vrstvy nervových vláken na sínici. Pro klasifikaci jsou použita data získaná šesti různými metodami texturní analýzy. Každá metoda vypočítá ze vstupních obrazů vektor příznaků, který je pro danou skupinu charakteristický. Vlastní třídění je realizováno třemi algoritmy učení s učitelem a jedním algoritmem učení bez učitele. Jako první je otestován algoritmus Ho-Kashyap. Poté Bayessovský klasifikátor NDDF (Normal Density Discriminant Function) a pro třetí klasifikátor je použita metoda nejbližších sousedů (Nearest Neighbors) k-NN. Jako poslední je zde odzkoušen klasifikátor K-means, který pracuje na principu shlukové analýzy. Pro větší kompaktnost jsou použity tři metody výběru testovacích dat pro algoritmy učení s učitelem. Jsou to „Repeated random subsampling cross validation“, „K-fold cross validation“ a „Leave one out cross validation“. Všechny použité třídící algoritmy jsou nakonec porovnány podle výsledné chyby klasifikace.
|
|
|
Metody zvyšování rozlišení digitálních snímků
Franěk, Pavel ; Fedra, Petr (oponent) ; Mézl, Martin (vedoucí práce)
Cílem této bakalářské práce je se seznámit s metodami, které umožňují zvýšení rozlišení digitálních snímků. Také realizovat jednotlivé interpolační metody i Super-rozlišení pomocí programu Matlab a poukázání na zhodnocené výsledky. Diskutovat o možnostech použití metod Super-rozlišení pro obrazy s lékařských modalit.
|
|
|
Metody zvyšování rozlišení digitálních snímků
Franěk, Pavel ; Fedra, Petr (oponent) ; Mézl, Martin (vedoucí práce)
Cílem této bakalářské práce je se seznámit s metodami, které umožňují zvýšení rozlišení digitálních snímků. Také realizovat jednotlivé interpolační metody i Super-rozlišení pomocí programu Matlab a poukázání na zhodnocené výsledky. Diskutovat o možnostech použití metod Super-rozlišení pro obrazy s lékařských modalit.
|
|
|
Klasifikační metody analýzy vrstvy nervových vláken na sítnici
Zapletal, Petr ; Kolář, Radim (oponent) ; Odstrčilík, Jan (vedoucí práce)
Tato práce se zabývá klasifikací vrstvy nervových vláken na sínici. Pro klasifikaci jsou použita data získaná šesti různými metodami texturní analýzy. Každá metoda vypočítá ze vstupních obrazů vektor příznaků, který je pro danou skupinu charakteristický. Vlastní třídění je realizováno třemi algoritmy učení s učitelem a jedním algoritmem učení bez učitele. Jako první je otestován algoritmus Ho-Kashyap. Poté Bayessovský klasifikátor NDDF (Normal Density Discriminant Function) a pro třetí klasifikátor je použita metoda nejbližších sousedů (Nearest Neighbors) k-NN. Jako poslední je zde odzkoušen klasifikátor K-means, který pracuje na principu shlukové analýzy. Pro větší kompaktnost jsou použity tři metody výběru testovacích dat pro algoritmy učení s učitelem. Jsou to „Repeated random subsampling cross validation“, „K-fold cross validation“ a „Leave one out cross validation“. Všechny použité třídící algoritmy jsou nakonec porovnány podle výsledné chyby klasifikace.
|
|
| |
host ::
RSS.