|
|
Klasifikace cévního řečiště na snímcích sítnice
Tebenkova, Iuliia ; Kolář, Radim (oponent) ; Odstrčilík, Jan (vedoucí práce)
Analýza snímků sítnice má důležitý význam, protože člověk získá kolem 90 % informací z okolí přes oči. Automatizace procesů analýzy zobrazení sítnice přispívá ke zlepšení efektivity lékařských retinálních vyšetření. Tato diplomová práce se zabývá automatickými metodami klasifikace snímků cévního řečiště retiny pořízených digitální fundus kamerou. Je prozkoumána a implementována metoda klasifikace cévního řečiště s použitím klasifikátoru na základě neuronových sítí, které se trénují a pak se testují na úsecích cév retinálního řečiště. Ve stručnosti je v této práci popsán anatomický pohled na sítnici, vlastnosti obrazových dat z digitální fundus kamery a metody klasifikace retinálních snímků. Poslední kapitola se zabývá hodnocením úspěšnosti klasifikace cévního řečiště automatickými metodami.
|
|
|
Improving Robustness of Speaker Recognition using Discriminative Techniques
Novotný, Ondřej ; Ferrer, Luciana (oponent) ; Pollák, Petr (oponent) ; Černocký, Jan (vedoucí práce)
This work deals with discriminative techniques in speaker verification systems to improve robustness of the systems against factors that negatively affect their performance. These factors include noise, reverberation, or the transmission channel. The thesis consists of two main parts. In the first part, it deals with a theoretical introduction to current state-of-the-art speaker verification systems. The recognition system's steps are described, starting from the extraction of acoustic features, the extraction of vector representations of recordings, and the final recognition score computation. Particular emphasis is paid to the techniques of extraction of a vector representation of a recording, where we describe two different paradigms: the i-vectors and the x-vectors. The second part of the work focuses more on discriminative techniques to increase robustness. Their description is organized to match the gradual passage of the recording through the verification system. First, attention is paid to signal pre-processing using a neural network for noise reduction and speech enhancement. This pre-processing is a universal technique independent of the verification system. The work follows by focusing on the use of a discriminative approach in the extraction of features and the extraction of vector representations of recordings. Furthermore, this work sheds light on the transition from generative systems to discriminative systems. In order to give a fuller context, the work also describes techniques that had historically preceded this transition. All presented techniques are always experimentally verified and their advantages evaluated. We are proposing several techniques that have proved successful in both the generative approach in the form of i-vectors and discriminative x-vectors, and thanks to them, considerable improvement has been achieved. For completeness, in the field of robustness, other techniques are included in the work, such as normalization of scores or multi-condition training. Finally, the work deals with the robustness of discriminative systems in terms of data used in their training.
|
|
|
Kombinace numerické matematiky a neuronové sítě pro model predikce průvalu
Srba, Jan ; Štětina, Josef (oponent) ; Mauder, Tomáš (vedoucí práce)
Tato práce se zabývá vytvářením modelu predikce průvalu realizovaného pomocí umělé neuronové sítě v prostředí MATLAB, práce proto obsahuje teoretický popis umělých neuronových sítí a také uvádí způsob, jakým byly umělé neuronové sítě použity pro úlohu predikce průvalu. V rámci této práce byly dále vytvořeny modely vedení tepla stěnou krystalizátoru, pomocí nichž byla vytvářena data potřebná pro kvalitní natrénování neuronové sítě. Při popisu vytvářených modelů byl kladen důraz zejména na numerické metody použité při řešení úloh vedení tepla. V práci jsou prezentovány dílčí výsledky modelů vedení tepla i výsledky testování vytvořené umělé neuronové sítě na reálných datech.
|
|
|
Automated Truth Discovery
Kočí, Jan ; Ondřej, Karel (oponent) ; Fajčík, Martin (vedoucí práce)
This thesis aims to (i) better understand the biases and cues exploited by content-based methods in the text of fake news articles and (ii) evaluate their performance in predicting the reliability of articles and media sources. Two different models are implemented. The baseline model uses TF-IDF and Multinomial Naive Bayes (MNB) classifier. The second model uses the BERT transformer. To study the cues exploited in the text a method of interpretability is implemented. While MNB is interpretable by design, the BERT model is analyzed through the Integrated gradients explainability method. Both classifiers were trained on a modified version of the NELA-GT-2021 dataset. This thesis suggests application of preprocessing to this dataset which could lead to creating a more robust classifier, e.g., removing keywords that provide simple cues. This thesis also presents a novel FNI dataset consisting of 46 manually selected articles. The FNI dataset enables topic-wise analysis (on topics such as covid, football, science, politics, etc.). The analysis revealed several biases of the classifiers. The baseline model was not able to identify unreliable articles about football (0\% recall on the FNI dataset), reliable scientific articles (0\% recall on the FNI dataset), etc. Both classifiers were more successful in identifying unreliable articles with the BERT classifier having a recall of 91\% on unreliable and only 78\% on reliable articles in the FNI dataset. The methods of interpretability also performed better on unreliable articles and were able to identify the sensationalism and shocking headlines used in fake news. The classifiers are also used to predict the credibility of sources. The results are compared with a state-of-the-art method that employs a different approach of using mutual citations of sources to predict their credibility. One of the outcomes of this thesis is also a new challenge set, containing articles from the NELA dataset on which the classifiers failed. This challenge set can be used for future research in this area.
|
|
|
Improving Robustness of Speaker Recognition using Discriminative Techniques
Novotný, Ondřej ; Ferrer, Luciana (oponent) ; Pollák, Petr (oponent) ; Černocký, Jan (vedoucí práce)
This work deals with discriminative techniques in speaker verification systems to improve robustness of the systems against factors that negatively affect their performance. These factors include noise, reverberation, or the transmission channel. The thesis consists of two main parts. In the first part, it deals with a theoretical introduction to current state-of-the-art speaker verification systems. The recognition system's steps are described, starting from the extraction of acoustic features, the extraction of vector representations of recordings, and the final recognition score computation. Particular emphasis is paid to the techniques of extraction of a vector representation of a recording, where we describe two different paradigms: the i-vectors and the x-vectors. The second part of the work focuses more on discriminative techniques to increase robustness. Their description is organized to match the gradual passage of the recording through the verification system. First, attention is paid to signal pre-processing using a neural network for noise reduction and speech enhancement. This pre-processing is a universal technique independent of the verification system. The work follows by focusing on the use of a discriminative approach in the extraction of features and the extraction of vector representations of recordings. Furthermore, this work sheds light on the transition from generative systems to discriminative systems. In order to give a fuller context, the work also describes techniques that had historically preceded this transition. All presented techniques are always experimentally verified and their advantages evaluated. We are proposing several techniques that have proved successful in both the generative approach in the form of i-vectors and discriminative x-vectors, and thanks to them, considerable improvement has been achieved. For completeness, in the field of robustness, other techniques are included in the work, such as normalization of scores or multi-condition training. Finally, the work deals with the robustness of discriminative systems in terms of data used in their training.
|
|
|
Kombinace numerické matematiky a neuronové sítě pro model predikce průvalu
Srba, Jan ; Štětina, Josef (oponent) ; Mauder, Tomáš (vedoucí práce)
Tato práce se zabývá vytvářením modelu predikce průvalu realizovaného pomocí umělé neuronové sítě v prostředí MATLAB, práce proto obsahuje teoretický popis umělých neuronových sítí a také uvádí způsob, jakým byly umělé neuronové sítě použity pro úlohu predikce průvalu. V rámci této práce byly dále vytvořeny modely vedení tepla stěnou krystalizátoru, pomocí nichž byla vytvářena data potřebná pro kvalitní natrénování neuronové sítě. Při popisu vytvářených modelů byl kladen důraz zejména na numerické metody použité při řešení úloh vedení tepla. V práci jsou prezentovány dílčí výsledky modelů vedení tepla i výsledky testování vytvořené umělé neuronové sítě na reálných datech.
|
|
|
Klasifikace cévního řečiště na snímcích sítnice
Tebenkova, Iuliia ; Kolář, Radim (oponent) ; Odstrčilík, Jan (vedoucí práce)
Analýza snímků sítnice má důležitý význam, protože člověk získá kolem 90 % informací z okolí přes oči. Automatizace procesů analýzy zobrazení sítnice přispívá ke zlepšení efektivity lékařských retinálních vyšetření. Tato diplomová práce se zabývá automatickými metodami klasifikace snímků cévního řečiště retiny pořízených digitální fundus kamerou. Je prozkoumána a implementována metoda klasifikace cévního řečiště s použitím klasifikátoru na základě neuronových sítí, které se trénují a pak se testují na úsecích cév retinálního řečiště. Ve stručnosti je v této práci popsán anatomický pohled na sítnici, vlastnosti obrazových dat z digitální fundus kamery a metody klasifikace retinálních snímků. Poslední kapitola se zabývá hodnocením úspěšnosti klasifikace cévního řečiště automatickými metodami.
|
host ::
RSS.