|
|
Capturing of Detailed and Very Large Photograph and Localization Within
Dubovec, Pavol ; Vaško, Marek (referee) ; Herout, Adam (advisor)
The goal of this work was to create a large image and a new technique to localize the photo in the larger image to increase the speed and accuracy of conventional methods. The proposed technique uses CNN architecture to extract embeddings from the queried image which will be used to search the database of embeddings from the large photo. Two models have been trained on a large dataset: based on classification (CE) and distance (triplet) Conventional methods were used to determine the location of the images and to generate the large image. A database of embeddings was created by partitioning the large image using the trained model. The database is searched for the K-nearest embeddings of the cutouts of the query image. These embeddings are generated by dividing the query photo into the same size parts as the CNN inputs. The optimal homography model is determined by random selection based on the positions of the four query image cutouts and their corresponding positions in the big picture. The homography model with the lowest harmonic mean of the embedding distance is selected as the final position. The homography is optimized using template matching where possible. The method shows sufficient accuracy and high speed on test datasets. The best model achieved a top-1 accuracy of 97.71% and a top-3 accuracy of 99.67%. Future research will investigate the performance of the method under increasing surface heterogeneity, the possibility of automating video retrieval to obtain a large dataset with photos, and its effectiveness in locating photos when conventional methods fail.
|
|
|
Diagnosing anxiety and depression from brain electroencephalogram (EEG) signals
Osvald, Martin ; Jaroš, Marta (referee) ; Malik, Aamir Saeed (advisor)
Duševné poruchy predstavujú širokú škálu emócií v našej spoločnosti. Tieto psychické stavy významne ovplyvňujú kognitívne, emocionálne a behaviorálne fungovanie jednotlivcov. Bežné duševné poruchy sa vzťahujú na dve hlavné diagnostické kategórie: depresívne poruchy a úzkostné poruchy. Cielom tejto práce je nájsť novú metódu na detekciu či daný pacient trpí úzkosťou alebo depresiou pomocou klasifikácie EEG. V tejto práci používame kombináciu genetických algoritmov a modelov z hlbokého učení.
|
|
|
Automatická kontrola dopravního značení
Čechmánek, Roman ; Klíma, Ondřej (referee) ; Musil, Petr (advisor)
The aim of this work is to create a cost-effective tool capable that would be able to automate the process of traffic sign control. This includes working with records of drives on land communications, created using inexpensive recording devices such as GoPro action cameras or certain dashcams. The control is based on the system localized traffic signs and historical traffic sign mapping data. The result of the work is a system whose input consists of drive records and historical data, and whose output is two files containing information about the inspection results. The first of these is a GEOJSON file, suitable for further processing of the collected data, and an HTML file that provides a simple user interface visualizing the inspection results on an interactive web map.
|
|
|
Automated compression of neural network weights
Lorinc, Marián ; Sekanina, Lukáš (referee) ; Mrázek, Vojtěch (advisor)
Konvolučné neurónové siete (CNN) od svojho vynájdenia zrevolucionizovali spôsob, akým sa realizujú úlohy z odvetvia počítačového videnia. Vynález CNN viedol k zníženiu pamäťovej náročnosti, keďže váhy boli nahradené konvolučnými filtrami obsahujúcimi menej trénovateľných váh. Avšak, toto zníženie bolo dosiahnuté na úkor zvýšenia požiadaviek na výpočtový výkon, ktorý je naviazaný na výpočet konvolúcie. Táto práca skúma hypotézu, či je možné sa vyhnúť načítavaniu váh a miesto toho ich vypočítať, čím sa ušetrí energia. Na otestovanie tejto hypotézy bol vyvinutý nový algoritmus kompresie váh využívajúci Kartézske genetické programovanie. Tento algoritmus hľadá najoptimálnejšiu funkciu kompresie váh s cieľom zvýšiť energetickú účinnosť. Experimenty vykonané na architektúrach LeNet-5 a MobileNetV2 ukázali, že algoritmus dokáže efektívne znížiť spotrebu energie pri zachovaní vysokej presnosti modelu. Výsledky ukázali, že určité vrstvy je možné doplniť vypočítanými váhami, čo potvrdzuje potenciál pre energeticky efektívne neurónové siete.
|
|
|
Automatic identification of tree pests based on image data
Balko, Marek ; Juříček, Martin (referee) ; Škrabánek, Pavel (advisor)
Tato diplomová práce se věnuje využití obrazových dat poškození kmene stromu k natrénování klasifikátoru pro rozpoznávání druhů škůdců stromů, které toto poškození způsobili. Klasifikátor je navrhnut jako konvoluční neuronová síť. Pro úspěšné natrénování modelu byl klasifikátoru předřazen preprocesingový krok – sub-image generátor. Tento generátor vytváří tréninková data o vhodných rozměrech pomocí výřezů z původních dat. Takto vzniklá data zachovávají důležité detaily pro trénování sítě. Pro sub-image generátor byly navrženy dvě metody vytváření trénovacích pod-obrazů – Grid division method a Elliptic division method. Obě tyto metody lze úspěšně použít pro natrénování klasifikátoru škůdců stromů na základě obrazových dat poškození stromu se srovnatelnou přesností modelu. Metoda Elliptic division je flexibilnější a méně časově náročná na preprocesing trénovacích dat.
|
|
|
Automated creation of deep neural network models for image classification
DOHNAL, Patrik
The aim of the thesis is to design and implement a system that can automatically create deep neural networks (DNN) models for image classification. Additionally, the aim is to review the current state-of-the-art and to validate the system's functionality on two different datasets. A genetic algorithm is used to find the best approximate DNN model. Additionally, several approaches to encode the genetic information of DNN models are explored. Furthermore, several experiments with the VGG-16 architecture were conducted to find the best possible system base. The thesis also includes a discussion on the practice of model training and how problems that can arise during the automatic training of DNN models are avoided. The implementation is written in Python with Tensorflow library.
|
|
|
Automatic diagnosis of the 12-lead ECG using deep learning
Blaude, Ondřej ; Smital, Lukáš (referee) ; Provazník, Valentine (advisor)
The aim of this diploma thesis is to investigate the problematics of automatic ECG diagnostics, namely on twelve-lead recordings. In the first chapter the heart and its electrical activity measurement is described shortly. In addition to that, the abnormalities which are going to be classified in this thesis are also briefly described. In the second chapter, it is described how the ECG was diagnosed earlier, by classical methods that preceded deep learning. Some of the shortcomings that the classical methods have compared to deep learning are also described here. The third part already pays attention to deep learning itself, and its contribution and advantages compared to classical methods. Convolutional neural networks and their individual blocks are also described here, later attention is paid to selected architectures that were used in some studies. The fourth chapter already focuses on the practical part, in which the data used from the PhysioNet database, the proposed algorithm and its implementation are described in more detail. In the fifth chapter the results are discussed and compared to the corresponding publications.
|
|
|
Detection of poorly differentiated cardiac arrhythmias
Kantor, Marek ; Ronzhina, Marina (referee) ; Novotná, Petra (advisor)
This thesis focusses on the detection methods of atrial fibrilation, atrial flutter and sinus rhythm from ECG. Thesis also concentrate on the description of this arrhythmias and the learning algorithms used. In this thesis are implemented several classification approaches. For extraction of features is used convolution neural network and classification artifitial neural network. Selected 1D CNN method achived classification accuracy global F1 - score is 91 %. Moreover, the proposed CNN optimized with GA appears to be fast shallow network with better accuracy than the deep network. Created model are used for classification other type of arrhythmias too.
|
|
|
Defect detection on fiber materials using machine learning
Lang, Matěj ; Richter, Miloslav (referee) ; Honec, Peter (advisor)
Cílem této diplomové práce je automatizace detekce vad ve vláknitých materiálech. Firma SILON se již přes padesát let zabývá výrobou jemné vaty z recyklovaných PET lahví. Tato vata se následně používá ve stavebnictví, automobilovém průmyslu, ale nejčastěji v dámských hygienických potřebách a dětských plenách. Cílem firmy je produkovat co nejkvalitnější výrobek a proto je každá dávka testována v laboratoři s několika přísnými kritérii. Jednám z testů je i množství vadných vláken, jako jsou zacuchané smotky vláken, nebo nevydloužená vlákna, která jsou tvrdá a snadno se lámou. Navrhovaný systém sestává ze snímací lavice fungující jako scanner, která nasnímá vzorek vláken, který byl vložen mezi dvě skleněné desky. Byla provedena série testů s různým osvětlením, která ověřovala vlastnosti Rhodaminu, který se používá právě na rozlišení defektů od ostatních vláken. Tyto defekty mají zpravidla jinou molekulární strukturu, na kterou se barvivo chytá lépe. Protože je Rhodamin fluorescenční barvivo, je možné ho například pod UV světlem snáze rozeznat. Tento postup je využíván při manuální detekci. Při snímání kamerou je možno si vypomoci filtrem na kameře, který odfiltruje excitační světlo a propustí pouze světlo vyzářené Rhodaminem. Součástí výroby skeneru byla i tvorba ovládacího programu. Byla vytvořena vlastní knihovna pro ovládání motoru a byla upravena knihovna pro kameru. Oba systém pak bylo možno ovládat pomocí jednotného GUI, které zajišťovalo pořizování snímku celé desky. Pomocí skeneru byla nasnímána řada snímků, které bylo třeba anotovat, aby bylo možné naučit počítač rozlišovat defekty. Anotace proběhla na pixelové úrovni; každý defekt byl označen v grafickém editoru ve speciální vrstvě. Pro rozlišování byla použita umělá neuronová síť, která funguje na principu konvolucí. Tento typ sítě je navíc plně konvoluční, takže výstupem sítě je obraz, který by měl označit na tom původním vadné pixely. Výsledky naučené sítě jsou v práci prezentovány a diskutovány. Síť byla schopna se naučit rozeznávat většinu defektů a spolehlivě je umí rozeznat a segmentovat. Potíže má v současné době s detekcí rozmazaných defektů na krajích zorného pole a s defekty, jejichž hranice není tolik zřetelná na vstupních obrazech. Nutno zmínit, že zákazník má zájem o kompletní řešení scanneru i s detekčním softwarem a vývoj tohoto zařízení bude pokračovat i po závěru této diplomové práce.
|
|
|
Floor detection during elevator ride
Havelka, Martin ; Králík, Jan (referee) ; Krejsa, Jiří (advisor)
This diploma thesis deals with the detection of the current floor during elevator ride. This functionality is necessary for robot to move in multi-floor building. For this task, a fusion of accelerometric data during the ride of the elevator and image data obtained from the information display inside the elevator cabin is used. The research describes the already implemented solutions, data fusion methods and image classification options. Based on this part, suitable approaches for solving the problem were proposed. First, datasets from different types of elevator cabins were obtained. An algorithm for working with data from the accelerometric sensor was developed. A convolutional neural network, which was used to classify image data from displays, was selected and trained. Subsequently, the data fusion method was implemented. The individual parts were tested and evaluated. Based on their evaluation, integration into one functional system was performed. System was successfully verified and tested. Result of detection during the ride in different elevators was 97%.
|
guest ::
