|
|
Reprezentace síťových toků s využitím neuronových sítí
Pycz, Lukasz ; Jeřábek, Kamil (referee) ; Poliakov, Daniel (advisor)
This thesis explores the application of self-supervised learning (SSL) methods such as data masking, data order shuffling, and contrastive learning, to extract meaningful representations from network flow data, specifically using the CESNET TLS22 dataset from CESNET DataZoo. The main goal is to develop a robust model that improves the understanding and analysis of network flows through effective representation learning without relying on labeled data. The research utilizes the PyTorch computational framework for designing, training, and evaluating the performance of the model.
|
|
|
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.
|
|
| |
|
|
Analysis of osteolytic spinal tumors in patients with multiple myeloma using CT data
Čurillová, Miriam ; Mézl, Martin (referee) ; Nohel, Michal (advisor)
Táto bakalárska práca sa zameriava na analýzu osteolytických lézií u pacientov s mnohopočetným myelómom. Prvým krokom k dosiahnutiu nášho cieľa bolo štúdium tohto ochorenia, jeho diagnostických kritérií, možných komplikácií a dostupnej liečby. Praktická časť pozostávala z niekoľkých samostatných úloh. Štatistická analýza bola vykonaná na súbore údajov pozostávajúcom z CT skenov pacientov s diagnostikovaným mnohopočetným myelómom, ako aj osôb bez akejkoľvek patológie chrbtice. Po extrakcii a redukcii počtu príznakov sme dokončili analýzu získaných dát. Dospeli sme k záveru, že existujú príznaky, ktoré sa medzi týmito dvoma skupinami výrazne líšia. Po analýze celých tiel stavcov bola vykonaná analýza lézií na kontrolných snímkach, kde bol analyzovaný ich objem.
|
|
|
Deep Learning for 3D Mesh Registration
Pukanec, Dávid ; Beran, Vítězslav (referee) ; Španěl, Michal (advisor)
Zosúhlasovanie 3D modelov je často robené za pomoci registrácie mračien bodov. Úloha registrátie spočíva v nájdení transformácie, ktorá na seba zarovná dané mračná bodov. Existuje mnoho metód založených na hlbokom učení, ktoré sa daju deliť do dvoch kategórií. Tieto metódy zvyčajne poskytujú vyhodnotenie v rámci jednej kategórie a navyše na ro- zličných datasetoch či metrikách. Táto práca sa zaoberá hlbším prieskumom metód Lepard a FINet. Za pomoci datasetov ModelNet40 a Teeth3DS je vykonaná séria experimentov zameriavajúca sa na zložíté prípady registrácie. Experimenty ukázali, že FINet dokáže zarovnať predtým nevidené tvary s translačnou chybou 4.16% veľkosti modelu a rotačnou chybou 3.640 stupňov. Zatiaľ čo Lepard má translačnú chybu 6.73% veľkosti modelu a rotačnú chybu 7.265 stupňov.
|
|
| |
|
|
3D Reconstruction of Historic Landmarks from Flickr Pictures
Šimetka, Vojtěch ; Maršík, Lukáš (referee) ; Polok, Lukáš (advisor)
Tato práce popisuje problematiku návrhu a vývoje aplikace pro rekonstrukci 3D modelů z 2D obrazových dat, označované jako bundle adjustment. Práce analyzuje proces 3D rekonstrukce a důkladně popisuje jednotlivé kroky. Prvním z kroků je automatizované získání obrazové sady z internetu. Je představena sada skriptů pro hromadné stahování obrázků ze služeb Flickr a Google Images a shrnuty požadavky na tyto obrázky pro co nejlepší 3D rekonstrukci. Práce dále popisuje různé detektory, extraktory a párovací algoritmy klíčových bodů v obraze s cílem najít nejvhodnější kombinaci pro rekonstrukci budov. Poté je vysvětlen proces rekonstrukce 3D struktury, její optimalizace a jak je tato problematika realizovaná v našem programu. Závěr práce testuje výsledky získané z implementovaného programu pro několik různých datových sad a porovnává je s výsledky ostatních podobných programů, představených v úvodu práce.
|
|
|
Feature extraction from image data
Uher, Václav ; Beneš, Radek (referee) ; Burget, Radim (advisor)
Image processing is one area of signal analysis. This thesis is involved in feature extraction from image data and its implementation using Java programming language. The main contribution of this thesis lies in develop features extractors and their implementation in the program RapidMiner. The result is a robust tool for image analysis. The functionality of each operator is tested on mammogram images. A function model was developed for the removal of artifacts from the mammography images. The success rate of removal is comparable with other similar works. Furthermore, learning algorithms were compared on example detection of ventricle in ultrasound image.
|
|
|
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.
|
guest ::
