|
|
Odhad kanálu v OFDM systémech pomocí deep learning metod
Hubík, Daniel ; Staněk, Miroslav (oponent) ; Miloš, Jiří (vedoucí práce)
Diplomová práce se zabývá simulací rádiového komunikačního systému OFDM v základním pásmu a jeho následnou ekvalizací. Model je založen na standardu IEEE 802.11n. Vývoj a simulace modelu byly vytvořeny v programových prostředích MATLAB a Python. Byly využity konvenční metody estimace kanálu (LS, MMSE), ale také nekonvenční metody jako je ekvalizace kanálu s využitím strojového učení. Byly provedeny experimenty s architekturami umělých neuronových sítí a studována závislost na kvalitě ekvalizace. Funkce modelu byla vyhodnocována kódovanou a nekódovanou bitovou chybovostí BER.
|
|
|
Image Super-Resolution Using Deep Learning
Mojžiš, Tomáš ; Beran, Vítězslav (oponent) ; Španěl, Michal (vedoucí práce)
The aim of this thesis is to create a deep neural net capable of super-resolution on images acquired by electron microscopes. The thesis consists of two parts - finding appropriate data and creating a dataset for the super-resolution task and designing a neural net architecture capable of solving the super-resolution task. Within the thesis, two datasets comprised of images acquired by electron microscopes were created. The datasets differ in the approach to data augmentation. They allow to train a neural network which fulfills the super-resolution task. To solve this task, two U-Net based and one GAN based architecture were trained. The resolution of images was upscaled by a factor of two and four. The best artificially upscaled images were created by neural network Real-ESRGAN. The values of metrics were not higher than the tested interpolation method, but the images seem more visually pleasing especially when they were upscaled four times. Thanks to this thesis, two datasets were created allowing to train other possible neural network architectures to improve the quality of the artificially upscaled images. The neural networks trained in this thesis can be utilized in the process of acquiring higher quality data from low resolution electron microscope images.
|
|
|
Využití Robotického operačního systému (ROS) pro řízení kolaborativního robota UR3
Juříček, Martin ; Matoušek, Radomil (oponent) ; Parák, Roman (vedoucí práce)
Cílem bakalářské práce je vytvoření řídícího programu, jeho následné otestování a ověření funkčnosti pro kolaborativního robota UR3 od firmy Universal Robots. Řídící program je napsán v jazyce python a integruje možnosti řízení skrz Robotický operační systém, kdy lze dosahovat definovaného bodu pomocí předem simulovaných trajektorií algoritmů Q-learning, SARSA, Deep Q-learning, Deep SARSA, a nebo za pomocí pouze frameworku MoveIT. V práci je pojednáno průřezem o tématech kolaborativní robotiky, Robotického operačního systému, simulačního prostředí Gazebo, zpětnovazebního a hluboké zpětnovazebního učení. Závěrem je popsán samotný návrh a implementace řídícího programu s dílčími částmi.
|
|
|
Generátor neuronových sítí pro potřeby měření podobnosti obrazu
Hipča, Tomáš ; Kolařík, Martin (oponent) ; Burget, Radim (vedoucí práce)
Tato práce se zabývá návrhem a implementací automatického softwarového generátoru dopředných neuronových sítí pro klasifikaci obrazu. Teoretická část práce objasňuje pojmy jako neuronová síť nebo formální neuron. Dále práce prezentuje rozdělení neuronových sítí na základě typu jejich architektury sítě a stylu učení. Práce se zaměřuje na konkrétní typ neuronových sítí, a sice sítě konvoluční. Jsou prezentované vybrané výzkumy z~této oblasti. Následují informace o~implementaci použité v~praktické části práce, tedy jaký byl zvolen programovací jazyk a který aplikační rámec byl použit. Stejně tak je obsahem stručný popis implementace, přehled implementovaných vrstev neuronové sítě, zvolená databáze fotografií a postup testování sítí. Výsledky toho testování jsou prezentovány a příslušně okomentovány.
|
|
|
Zobrazení a analýza aktivit neuronové sítě ve skrytých vrstvách
Fábry, Marko ; Grézl, František (oponent) ; Karafiát, Martin (vedoucí práce)
Cílem této práce je vytvořit systém schopný zobrazení hodnot aktivačních funkcí neuronů nacházejících se v skrytých vrstvách neuronových sítí použitých na rozpoznávání řeči. Dále byly na tomto systému provedeny experimenty porovnávající vizualizační metody, vizualizace neuronových sítí s různými architekturami a s různými druhy vstupních dat. Vizualizační systém implementovaný v rámci této práce je založen na předchozí práci pana Khe Chai Sim a rozšířen o nové způsoby normalizace vstupních dat. Pro přípravu trénovacích dat neuronových sítí byl použit framework Kaldi. Pro samotné trénování neuronových sítí byl použit nový framework CNTK. Jádro práce - samotný vizualizační systém byl implementován v skriptovacím jazyce Python.
|
|
|
Rozpoznávání historických textů pomocí hlubokých neuronových sítí
Macurová, Nela ; Špaňhel, Jakub (oponent) ; Hradiš, Michal (vedoucí práce)
Tato práce se zabývá rozpoznáváním historických textů pomocí hlubokých neuronových sítí, konkrétně rozpoznáváním jednotlivých slov v gotickém písmu v českém jazyce. Je zde vytvořen obecný přehled o konvolučních sítích a metodách rozpoznávání textu. Byl vytvořen dataset, který se skládá z reálných i generovaných dat. Síť byla trénovná na generovaných datech a testována na reálných obrázcích slov. Tato navrhovaná metoda klasifikace slov, nebyla moc úspěšná, kvůli rozdílným testovacím a~trénovacím datům.
|
|
|
Detekce objektů pomocí hlubokých neuronových sítí
Paníček, Andrej ; Herout, Adam (oponent) ; Teuer, Lukáš (vedoucí práce)
Táto práca sa zaoberá detekciou objektov pomocou hlbokých neurónových sietí. V rámci riešenia som upravil, implementoval a natrénoval dobre známy model kaskádových neuró- nových sietí MTCNN tak aby dokázal vykonávať detekciu dopravných značiek. Trénovacie dáta boli vygenerované z dátových sád GTSRB a GTSDB. MTCNN ukázal solídny výkon na vyhodnocovacích dátach z dátovej sady GTSDB, kde dosiahol presnosť detekcie 97.8 %.
|
|
|
Identifikace osob pomocí hlubokých neuronových sítí
Duban, Michal ; Herout, Adam (oponent) ; Hradiš, Michal (vedoucí práce)
Tato diplomová práce se zabývá návrhem a implementací konvolučních neuronových sítí sloužících k re-identifikaci osob. Implementované konvoluční sítě byly testovány na dvou datových sadách CUHK01 a CUHK03, na kterých dosáhly výsledky srovnatelné se state of the art metodami. Navržené sítě byly implementovány ve frameworku Caffe.
|
|
|
Posilované učení a agentní prostředí
Brychta, Adam
Tato práce se zabývá posilovaným učením a jeho aplikací v agentním prostředí. V teoretické části je proveden rozbor teorie obsahující oblasti agentního prostředí, neuronových sítí a posilovaného učení. Praktická část je zaměřena na návrh a implementaci agenta hlubokého posilovaného učení s možností použití hierarchického posilovaného učení.
|
|
|
Image Super-Resolution Using Deep Learning
Mojžiš, Tomáš ; Beran, Vítězslav (oponent) ; Španěl, Michal (vedoucí práce)
The aim of this thesis is to create a deep neural net capable of super-resolution on images acquired by electron microscopes. The thesis consists of two parts - finding appropriate data and creating a dataset for the super-resolution task and designing a neural net architecture capable of solving the super-resolution task. Within the thesis, two datasets comprised of images acquired by electron microscopes were created. The datasets differ in the approach to data augmentation. They allow to train a neural network which fulfills the super-resolution task. To solve this task, two U-Net based and one GAN based architecture were trained. The resolution of images was upscaled by a factor of two and four. The best artificially upscaled images were created by neural network Real-ESRGAN. The values of metrics were not higher than the tested interpolation method, but the images seem more visually pleasing especially when they were upscaled four times. Thanks to this thesis, two datasets were created allowing to train other possible neural network architectures to improve the quality of the artificially upscaled images. The neural networks trained in this thesis can be utilized in the process of acquiring higher quality data from low resolution electron microscope images.
|
host ::
RSS.