|
|
Trénovatelná segmentace obrazu s použitím hlubokých neuronových sítí
Majtán, Martin ; Burget, Radim (oponent) ; Harár, Pavol (vedoucí práce)
Diplomová práca sa zaoberá segmentáciou obrazu pomocou hlbokých neuronových sietí. V práci je popísaný princíp digitálneho spracovania obrazu a segmentácia obrazu. Je tu vysvetlený princíp umelých neurónových sietí, model umelého neurónu, spôsob ako sa neurónové siete trénujú a aktivujú. V praktickej časti je vytvorený algoritmus na generovanie podobrazov zo snímkov z magnetickej rezonancie. Vygenerované podobrazy sa používajú na trénovanie, testovanie a validáciu modelu neurónovej siete. V práci je vytvorený model umelej neurónovej siete, ktorí bol použitý pri trénovateľnej segmentácii obrazu. Model neurónovej siete je vytvorený pomocou knižnice Deeplearning4j a je optimalizovaný na paralelné trénovanie pomocou knižnice Spark.
|
|
|
Automatické strojové metody získávání znalostí z multimediálních dat
Mašek, Jan ; Chromý, Erik (oponent) ; Vozňák, Miroslav (oponent) ; Burget, Radim (vedoucí práce)
Kvalitní a efektivní zpracování rostoucího množství multimediálních dat začíná být v dnešní době stále více potřebné pro získání určité znalosti z těchto dat. Práce se zabývá výzkumem, implementací, optimalizací a experimentálním ověřením automatických metod strojového učení pro získávání znalostí z multimediálních dat, kde bylo v řadě příkladů dosaženo vyšší přesnosti ve srovnání s konvenčními metodami a vybrané výsledky byly publikovány v časopisech s impaktním faktorem [1, 2]. K tomu byly v práci speciálně vytvořeny výpočetní metody, které využívají masivně paralelní hardware, díky kterému je dosaženo úspory elektrické energie a výpočetního času při dosažení lepší přesnosti řešených problémů. Výpočty trvající běžně v řádech dní bylo možné urychlit novými metodami na několik málo minut. Funkčnost vytvořených metod byla ověřena na vybraných problémech: detekce krční arterie z ultrazvukových snímků a následné určení stupně nemoci této arterie, detekce staveb z leteckých snímků pro získání jejich zeměpisných souřadnic, detekce jednotlivých materiálů obsažených v meteoritu ze snímků počítačové tomografie, zpracování velkých databází strukturovaných dat, klasifikace hutních materiálů s pomocí laserové spektrometrie a automatická klasifikace emocí z textů.
|
|
|
Automatické strojové metody získávání znalostí z multimediálních dat
Mašek, Jan ; Chromý, Erik (oponent) ; Vozňák, Miroslav (oponent) ; Burget, Radim (vedoucí práce)
Kvalitní a efektivní zpracování rostoucího množství multimediálních dat začíná být v dnešní době stále více potřebné pro získání určité znalosti z těchto dat. Práce se zabývá výzkumem, implementací, optimalizací a experimentálním ověřením automatických metod strojového učení pro získávání znalostí z multimediálních dat, kde bylo v řadě příkladů dosaženo vyšší přesnosti ve srovnání s konvenčními metodami a vybrané výsledky byly publikovány v časopisech s impaktním faktorem [1, 2]. K tomu byly v práci speciálně vytvořeny výpočetní metody, které využívají masivně paralelní hardware, díky kterému je dosaženo úspory elektrické energie a výpočetního času při dosažení lepší přesnosti řešených problémů. Výpočty trvající běžně v řádech dní bylo možné urychlit novými metodami na několik málo minut. Funkčnost vytvořených metod byla ověřena na vybraných problémech: detekce krční arterie z ultrazvukových snímků a následné určení stupně nemoci této arterie, detekce staveb z leteckých snímků pro získání jejich zeměpisných souřadnic, detekce jednotlivých materiálů obsažených v meteoritu ze snímků počítačové tomografie, zpracování velkých databází strukturovaných dat, klasifikace hutních materiálů s pomocí laserové spektrometrie a automatická klasifikace emocí z textů.
|
|
|
Trénovatelná segmentace obrazu s použitím hlubokých neuronových sítí
Majtán, Martin ; Burget, Radim (oponent) ; Harár, Pavol (vedoucí práce)
Diplomová práca sa zaoberá segmentáciou obrazu pomocou hlbokých neuronových sietí. V práci je popísaný princíp digitálneho spracovania obrazu a segmentácia obrazu. Je tu vysvetlený princíp umelých neurónových sietí, model umelého neurónu, spôsob ako sa neurónové siete trénujú a aktivujú. V praktickej časti je vytvorený algoritmus na generovanie podobrazov zo snímkov z magnetickej rezonancie. Vygenerované podobrazy sa používajú na trénovanie, testovanie a validáciu modelu neurónovej siete. V práci je vytvorený model umelej neurónovej siete, ktorí bol použitý pri trénovateľnej segmentácii obrazu. Model neurónovej siete je vytvorený pomocou knižnice Deeplearning4j a je optimalizovaný na paralelné trénovanie pomocou knižnice Spark.
|
host ::
RSS.