|
|
Optimization of Classification Models for Malicious Domain Detection
Pouč, Petr ; Jeřábek, Kamil (referee) ; Hranický, Radek (advisor)
Tato diplomová práce se zaměřuje na rozvoj pokročilých metod pro detekci škodlivých doménových jmen s využitím optimalizačních technik v oblasti strojového učení. Práce zkoumá a hodnotí účinnost různých optimalizačních strategií pro klasifikaci. Jako nástroje pro hodnocení jsem vybral klasifikační algoritmy, které se liší v jejich přístupu, včetně hlubokého učení, techniky rozhodovacích stromů, nebo hledání hyperrovin. Tyto metody byly posouzeny na základě schopnosti efektivně klasifikovat doménová jména v závislosti na použitých optimalizačních technikách. Optimalizace zahrnovala vytvoření přesně označených datových sad, aplikaci technik zpracování dat, pokročilou selekci atributů, řešení nerovnováhy tříd a ladění hyperparametrů. Experimentální část práce prokazuje vynikající úspěšnost kombinováním jednotlivých metod. Přičemž nejlepší modely CNN dosahovaly až 0.9926 F1 při současném snížení FPR na hodnotu 0.300%. Přínos práce spočívá v poskytnutí konkrétních metod a strategií pro efektivní detekci škodlivých doménových jmen v oblasti kybernetické bezpečnosti.
|
|
|
Analyzing a person’s handwriting for recognizing his/her emotional state
Chudárek, Aleš ; Matoušek, Jiří (referee) ; Malik, Aamir Saeed (advisor)
Rozpoznávání emocí z rukopisu je náročný a interdisciplinární úkol, který může poskytnout vhled do psychologického a emočního stavu pisatele. V této diplomové práci byl vyvinut a vyhodnocen model strojového učení schopný predikovat emoční stav pisatele na základě vzorků jeho rukopisu. Byl využit dataset EMOTHAW, který obsahuje vzorky rukopisu a kreseb od subjektů, jejichž emoční stavy byly změřeny pomocí testu DASS, který hodnotí úroveň deprese, úzkosti a stresu, a CIU Handwritten databázi pro ověření a experimentování. Bylo extrahováno množství příznaků inspirovaných standardní grafologií, stejně jako příznaky specifické pro online data. Pomocí ANOVA byly vybrány statisticky významné příznaky, které byly normalizovány pomocí Z-Score, MinMax, IQR nebo logaritmické transformace. Dimenzionalita příznaků byla snížena pomocí analýzy hlavních komponent (PCA) a lineární diskriminační analýzy (LDA). Pro klasifikaci byl použit meta-přístup Ensemble learning, který se snaží snížit chyby jednoho jednoduchého modelu využitím rozmanitosti a doplňkovosti více modelů. Struktura klasifikátoru závisí na mnoha argumentech, což vede k více než 300 000 různým konfiguracím. Optimální argumenty a tudíž optimální struktura byla hledána pomocí zamrazování argumentů. Byly identifikovány nejlepší klasifikátory pro binární a trinární klasifikaci každé emoce, což vedlo k šesti optimálním modelům. Tyto modely byly hodnoceny pomocí různých metrik, jako jsou accuracy, precision, recall a F1 Skóre, a dosáhly adekvátních výsledků ve všech metrikách. Kromě nalezení klasifikátorů tato práce zkoumala význam každého extrahovaného příznaku, čímž byl vytvořen seznam nejvýznamnějších příznaků použitých pro rozpoznávání emocí z rukopisu. Dále tato práce rozšiřuje databázi EMOTHAW identifikací úkolů, které jsou více indikativní pro specifické emoce, čímž se snižuje potřeba kompletní baterie úkolů pro emoční analýzu.
|
|
|
Signature verification using neural network-based algorithms
Čírtek, Petr ; Kiac, Martin (referee) ; Myška, Vojtěch (advisor)
Signature is one of the most used biometrics in banking and contracting therefore is important to verificate signature authenticity. Verification can be done with the help of a forensic specialist or, thanks to the rise of advanced technology, with the help of a computing technology. The purpose of this thesis is to develop methods for signature verification using neural networks for Czech type of signature and to find out if adding manual extracted features to convolutional analysis could improve these methods. Neural networks seek to replicate the functioning of human brain, consisting of input neurons, several hidden layers and output neurons. Neural networks are one of the most popular artificial intelligence technologies for image analysis and classification. The proposed methods in this thesis work on the principles of convolutional networks. The first proposed method consist of three convolutional layers which extract important features from image of signature and pass them to fully connected classifier layer. This determines whether the signature is genuine or forgery. Also for this method there were created two functions which can interpret it's decision-making. The second method, siamese neural network, unlike the first, does not work with signatures independently, but uses a reference signature image to determine authenticity. The basis of this method is to extract features with convolutional analysis from both the reference signature and the signature to be authenticated. These features are then concatenated and passed to the clasificator. A Czech dataset was created to train models that would verify the Czech type of signatures. From the experiments, it was found that the addition of manualy extracted features has the potential to improve the prediction accuracy of methods based on convolutional image analysis. 3 models were trained, which can verify the Czech type of signatures with an accuracy higher than 80 \%, namely: the model of the convolutional neural network method with discrete wavelet transformation feature, which was trained on the Czech dataset, the model of the same method trained on the CEDAR dataset with number of strokes as added feature and a siamese convolutional neural network method model trained on the Czech dataset of signatures with the tri-surface feature.
|
|
|
Face recognition in digital images
Hauser, Václav ; Přinosil, Jiří (referee) ; Říha, Kamil (advisor)
This master thesis deals with the detection and recognition of faces in the image. The content of this thesis is a description of methods that are used for the face detection and recognition. Method described in detail is the principal component analysis (PCA). This method is subsequently used in the implementation of face recognition in video sequence. In conjunction with the implementation work describes the OpenCV library package, which was used for implementation, specifically the C ++ API. Finally described application tests were done on two different video sequences.
|
|
|
Comparison of Classification Methods
Dočekal, Martin ; Zendulka, Jaroslav (referee) ; Burgetová, Ivana (advisor)
This thesis deals with a comparison of classification methods. At first, these classification methods based on machine learning are described, then a classifier comparison system is designed and implemented. This thesis also describes some classification tasks and datasets on which the designed system will be tested. The evaluation of classification tasks is done according to standard metrics. In this thesis is presented design and implementation of a classifier that is based on the principle of evolutionary algorithms.
|
|
|
Visipedia - Embedding-driven Visual Feature Extraction and Learning
Jakeš, Jan ; Beran, Vítězslav (referee) ; Zemčík, Pavel (advisor)
Multidimenzionální indexování je účinným nástrojem pro zachycení podobností mezi objekty bez nutnosti jejich explicitní kategorizace. V posledních letech byla tato metoda hojně využívána pro anotaci objektů a tvořila významnou část publikací spojených s projektem Visipedia. Tato práce analyzuje možnosti strojového učení z multidimenzionálně indexovaných obrázků na základě jejich obrazových příznaků a přestavuje metody predikce multidimenzionálních souřadnic pro předem neznámé obrázky. Práce studuje příslušené algoritmy pro extrakci příznaků, analyzuje relevantní metody strojového účení a popisuje celý proces vývoje takového systému. Výsledný systém je pak otestován na dvou různých datasetech a provedené experimenty prezentují první výsledky pro úlohu svého druhu.
|
|
|
Learning the Face Behind a Voice
Krušina, Josef ; Matějka, Pavel (referee) ; Plchot, Oldřich (advisor)
This work addresses the problem of mapping fixed representations (embeddings) of a speech signal to face embeddings and then generating a face from the mapped embedding using a generative adversarial network (GAN) that was trained for face generation. GANs are a type of neural networks that can generate data similar to the data they were trained on. The architecture of the proposed system is based on four components: a face embedding extractor, a voice embedding extractor, an algorithm on top of a GAN that can generate a face from a face embedding, and my mapping network used to map a voice embedding to a face embedding. The pre-trained neural networks FaceNet and SpeechBrain are adopted as embedding extractors. A model that uses a pre-trained StyleGAN2 is adopted for backward face generation. The contribution of this work is that it allows the extrapolation of a face from audio signal only.
|
|
|
Re-Identification of Vehicles in Video
Zapletal, Dominik ; Sochor, Jakub (referee) ; Herout, Adam (advisor)
This thesis deals with the vehicle re-identification in video problem. Vehicle re-identification is based on matching image parts obtained from different cameras. This work is focues on the re-identification itself assuming that the vehicle detection problem is already solved including extraction of a full-fledged 3D bounding box. The re-identification problem is solved by using color histograms, histograms of oriented gradients by a linear regressor. The features are used in separate models in order to get the best results in the shortest CPU computation time. The proposed method works with a high accuracy (60% true positives retrieved with 10% false positive rate on a challenging subset of the test data) in 85 milliseconds of the CPU (Core i7) computation time per one vehicle re-identification assuming the Full HD resolution video input. The applications of this work include finding important parameters like travel time, traffic flow, or traffic information in a distributed traffic surveillance and monitoring system.
|
|
|
Biologically Inspired Methods of Object Recognition
Vaľko, Tomáš ; Hradiš, Michal (referee) ; Juránek, Roman (advisor)
Object recognition is one of many tasks in which the computer is still behind the human. Therefore, development in this area takes inspiration from nature and especially from the function of the human brain. This work focuses on object recognition based on extracting relevant information from images, features. Features are obtained in a similar way as the human brain processes visual stimuli. Subsequently, these features are used to train classifiers for object recognition (e.g. SVM, k-NN, ANN). This work examines the feature extraction stage. Its aim is to improve the feature extraction and thereby increase performance of object recognition by computer.
|
|
|
Perimeter Monitoring and Intrusion Detection Based on Camera Surveillance
Goldmann, Tomáš ; Drahanský, Martin (referee) ; Orság, Filip (advisor)
This bachelor thesis contains a description of the basic system for perimeter monitoring. The main part of the thesis introduces the methods of computer vision suitable for detection and classification of objects. Furthermore, I devised an algorithm based on background subtraction which uses a Histogram of Oriented Gradients for description of objects and an SVM classifier for their classification. The final part of the thesis consists of a comparison of the descriptor based on the Histogram of Oriented Gradients and the SIFT descriptor and an evaluation of precision of the detection algorithm.
|
guest ::
