|
|
Robustní detekce projekčního plátna a promítaných slidů ve videu
Hanzel, Svätopluk ; Beran, Vítězslav (oponent) ; Szőke, Igor (vedoucí práce)
Hlavným cieľom tejto bakalárskej práce je implementácia robustného detektoru projekčného plátna, ktorý zároveň umožňuje synchronizáciu detekovaného slajdu z plátna s obrázkom z prezentácie pomocou rôznych techník, vrátane neurónových sietí, extrakcie a porovnávania kľúčových bodov, detekcie textu pomocou OCR a porovnávania textov, spoločne s analýzou týchto metód a ich porovnania s alternatívnymi riešeniami.
|
|
|
Využití strojového učení pro kontrolu kvality v průmyslových aplikacích
Gaško, Viktor ; Dobrovský, Ladislav (oponent) ; Parák, Roman (vedoucí práce)
Cieľom tejto bakalárskej práce je zoznámiť sa s problematikou kontroly kvality v priemyselných aplikáciách so zameraním na hlboké učenie. K tomuto a podobným problémom bolo vytvorených niekoľko knižníc, ktoré majú za úlohu uľahčiť jeho riešenie. Hlavnou úlohou je vytvorenie programu na kontrolu kvality za pomoci programovacieho jazyka Python a frameworku Tensorflow. Tento program bude pozostávať z troch neurónových sietí, pričom jedna zistí približnú polohu súčiastky, druhá jej farbu a tretia skontroluje správnosť jej výroby.
|
|
|
Chatbot postavený na umělých neuronových sítích
Richtarik, Lukáš ; Beneš, Karel (oponent) ; Szőke, Igor (vedoucí práce)
Táto práca sa zaoberá problematikou chatbotov postavených na umelých neurónových sieťach a generatívnych modeloch. Popisuje postup a možnosti pri návrhu takéhoto chatbota a taktiež samotnú implementáciu a testovanie pomocou BLEU metriky. Práca obsahuje experimenty s rôznymi modelmi chatbotov, ich vyhodnotenie a porovnanie, testovanie na užívateľoch a niekoľko návrhov na budúce vylepšenia.
|
|
|
Automatická klasifikace výslovnosti hlásky R
Hrušovský, Enrik ; Vičar, Tomáš (oponent) ; Harabiš, Vratislav (vedoucí práce)
Táto diplomová práca sa zaoberá automatickou klasifikáciou hlásky R. Dáva si za cieľ vytvoriť program pre detekciu logopedickej vady výslovnosti hlásky ,,R” u detí. V práci sú spracované témy ako tvorba reči, logopédia, dyslália a následne spracovanie rečových signálov a ich metódy analýzy. V poslednej časti je navrhnutý program pre automatickú klasifikáciu výslovnosti hlásky ,,R”. K rozpoznaniu výslovnosti je použitý algoritmus MFCC pre extrakciu príznakov. Tieto príznaky sú následne klasifikované neurónovou sieťou do triedy so správnou alebo nesprávnou výslovnosťou a je vyhodnotená úspešnosť klasifikácie.
|
|
|
Umělý básník
Bančák, Michal ; Szőke, Igor (oponent) ; Beneš, Karel (vedoucí práce)
Dokument predstavuje prácu na automatickom generovaní poézie, pomocou Long Short-Term Memory rekurentnej neurónovej siete. Cieľom práce je vytvoriť aplikáciu, ktorá imituje písanie básní. Jedná sa o jazykové modelovanie na úrovni znakov v slovenskom jazyku. Model neurónovej siete použitý v práci sa skladá z troch vrstiev LSTM so 400 skrytými jednotkami. K tejto práci bola taktiež vytvorená zbierka básní v slovenskom jazyku vo veľkosti 900k znakov. Výsledkom práce je generovanie textu, ktorý má prvky básne. Dosahovaná presnosť generovania je 41.85%.
|
|
|
Automatizace verifikace pomocí neuronových sítí
Fajčík, Martin ; Husár, Adam (oponent) ; Zachariášová, Marcela (vedoucí práce)
Úlohou tejto práce je analýza a riešenie optimalizačných problémov vychádzajúcich z automatizácie funkčnej verifikácie hardvéru pomocou umelých neurónových sietí. Verifikácia ľubovoľného integrovaného obvodu (Design Under Verification, DUV) pomocou techniky verifikácie riadenej pokrytím (Coverage-Driven Verification) a metodiky UVM (Universal Verification Methodology) prebieha tak, že do DUV sú zasielané vstupné stimuly, pri ktorých verifikačné prostredie monitoruje percentuálne pokrytie DUV pomocou predom určenej špecifikácie sledovaných vlastností. Pokrytím v tomto kontexte myslíme merateľnú vlastnosť DUV, ako napríklad počet overených aritmetických operácií, či počet aktivovaných riadkov kódu. Na základe dosiahnutej veľkosti pokrytia a stanovenej špecifikácie je možné prehlásiť DUV za zverifikovaný. Súčasným trendom v automatizácii funkčnej verifikácie hardvéru je pseudonáhodné generovanie vstupných stimulov s obmedzeniami (constraints) pomocou techniky constrained-random stimulus generation. V tejto práci sa preto zaoberáme ovládaním pseudonáhodného generátoru stimulov (PNG), pričom obmedzenia pre generátor sú ovládané externým prostriedkom a to konkrétne neurónovou sieťou. Využívame tak vlastnosti neurónových sietí pre riešenie optimalizačných problémov vhodné pre prehľadávanie stavového priestoru pokrytia DUV. Riešenými optimalizačnými problémami sú priebežná úprava obmedzení PNG takým spôsobom, aby došlo k čo najrýchlejšiemu zverifikovaniu DUV a hľadanie najmenšej množiny stimulov takej, že táto množina zverifikuje DUV. Kvalitatívne vlastnosti navrhnutých riešení sú overené na 32-bitových aplikačne špecifických procesoroch (ASIPs) s názvom Codasip uRISC a Codix Cobalt.
|
|
|
Klasifikace obrazů s pomocí umělé inteligence
Labuda, Adam ; Přinosil, Jiří (oponent) ; Burget, Radim (vedoucí práce)
Táto bakalárska práca sa bude zaoberať problematikou klasifikácie obrázkov a extrakcie príznakov z obrazu. V prostredí jazyka JAVA sa vytvorí príklad, ktorý načíta sadu obrázkov, extrahuje z nich príznaky s pomocou umelej inteligencie, ktorú poskytuje vedúci práce. Umelá iteligencia predpokladať druh obrázku. Na záver práce sú porovnané dosiahnuté výsledky.
|
|
|
Paralelizace výpočtů pomocí GPGPU prostředků
Pacura, Dávid ; Horák, Karel (oponent) ; Petyovský, Petr (vedoucí práce)
Cieľom tejto bakalárskej práce je poukázanie na moţnosti a demonštrácia paralelizácie výpočtov pomocou grafických procesorov. V práci sú uvedené popisy dostupných vývojových nástrojov, a na ich základe je jeden zvolený na implementáciu šifrovacieho MD5 algoritmu a neurónovej siete na rozpoznávanie čísel. Výkon algoritmov je následne porovnaný so svojím paralelným ekvivalentom pre beţné procesory. V závere sú popísané problémy pri vývoji a spôsoby, ktorými je moţné sa im vyhnúť
|
|
|
Rozpoznávání písmen pomocí neuronové sítě
Kluknavský, František ; Hradiš, Michal (oponent) ; Šilhavá, Jana (vedoucí práce)
Práca sa na úlohe rozpoznávania rukou písaných písmen zaoberá implementáciou viacvrstvovej perceptrónovej siete, učením metódou spätného šírenia chyby, hľadaním ich optimálnych parametrov, šírkou skrytej vrstvy, rýchlosťou a dĺžkou učenia, zvládaním poškodených dát. Výsledky vznikli opakovaným simulovaním a testovaním neurónovej siete použitím 52 152 malých písmen anglickej abecedy. Najlepšie výsledky pri čo najmenšej sieti a najkratšom čase tréningu dosiahla sieť so 60 neurónmi v skrytej vrstve a učenie rýchlosťou 0,01. Siete so širšou skrytou vrstvou dosiahli približne rovnakú úspešnosť pri testoch na neznámych písmenách, ale vyššiu úspešnosť na silne poškodených písmenách.
|
|
| |
host ::
RSS.