|
|
Identifikace 2D CT axiálních řezů pomocí konvolučních neuronových sítí
Vavřinová, Pavlína ; Harabiš, Vratislav (oponent) ; Jakubíček, Roman (vedoucí práce)
Tato práce se zabývá klasifikací 2D axiálních CT řezů pacientských dat do šesti kategorií. K tomuto záměru byla využita oblast konvolučních neuronových sítí. Pro snadnější porozumění této problematice jsou nejprve vysvětleny základy neuronových sítí obecně a poté principy hlubokého učení zahrnující konvoluční neuronové sítě. Pro účely identifikace axiálních řezů byla vybrána konkrétně síť AlexNet, která byla po uzpůsobení otestovaná na vytvořené datové sadě. Celková úspěšnost klasifikace dosáhla 86%, po finálních úpravách došlo k mírnému zlepšení, kdy identifikační schopnost činila 87%.
|
|
|
Implementace neuronové sítě bez operace násobení
Slouka, Lukáš ; Baskar, Murali Karthick (oponent) ; Szőke, Igor (vedoucí práce)
Predmetom tejto diplomovej práce je akcelerácia neurónových sietí s cieľom redukcie počtu operácií násobenia reálnych čísiel. Teoretická časť tejto práce sleduje súčasné trendy a metódy využívané v oblasti akcelerácie neurónových sietí. Najväčší dôraz je kladený na binarizačné techniky, ktoré umožňujú nahradiť násobenia logickými operátormi. Teoretický základ je zavedený do praxe hneď dvomi spôsobmi. Prvým z nich je implementácia kritických binárnych operátorov spustiteľných na GPU vo frameworku TensorFlow a ich rýchlostný benchmark. Druhým je aplikácia týchto operátorov v jednoduchom klasifikátore obrázkov. Výsledky sú rozhodne povzbudivé. Implementované operátory dosiahli 2,5-násobné zrýchlenie v porovnaní s vysoko optimalizovanými cuBLAS operátormi. Posledná kapitola práce sleduje úspešnosť dosiahnutú binarizačnými modelmi.
|
|
|
Detekce významných událostí v systémech využívajících princip fázových OTDR
Makówka, David ; Petyovský, Petr (oponent) ; Valach, Soběslav (vedoucí práce)
Diplomová práce se zabývá návrhem, implementací a testováním systému klasifikujícího události snímané optickým vláknem podél perimetru střežených objektů. V teoretické části jsou objasněny fyzikální principy, základní struktury měřících systémů, metody měření, formát dat, způsoby předzpracování a klasifikace konvolučními neuronovými sítěmi. Praktická část popisuje implementaci softwaru pro učení a testování konvolučních neuronových sítí, proces extrahování vzorků z naměřených dat, jejich anotaci a převod do formátu požadovaného neuronovou sítí. Jsou prezentovány výsledky analýzy snímaných dat a výsledky dosažené úrovně klasifikace konvolučními neuronovými sítěmi jak při zpracování naměřených datasetů, tak při nasazení hotového klasifikátoru na systém pracující v reálném čase.
|
|
|
Detekce významných událostí v systémech využívajících princip fázových OTDR
Makówka, David ; Petyovský, Petr (oponent) ; Valach, Soběslav (vedoucí práce)
Diplomová práce se zabývá návrhem, implementací a testováním systému klasifikujícího události snímané optickým vláknem podél perimetru střežených objektů. V teoretické části jsou objasněny fyzikální principy, základní struktury měřících systémů, metody měření, formát dat, způsoby předzpracování a klasifikace konvolučními neuronovými sítěmi. Praktická část popisuje implementaci softwaru pro učení a testování konvolučních neuronových sítí, proces extrahování vzorků z naměřených dat, jejich anotaci a převod do formátu požadovaného neuronovou sítí. Jsou prezentovány výsledky analýzy snímaných dat a výsledky dosažené úrovně klasifikace konvolučními neuronovými sítěmi jak při zpracování naměřených datasetů, tak při nasazení hotového klasifikátoru na systém pracující v reálném čase.
|
|
|
Atrial Fibrillation Classification Using Deep Convolution Networks
Novotna, Petra
We propose the usage of three deep convolutional neural networks architectures for classification of a single lead electrocardiogram (ECG) recordings and evaluate them on the atrial fibrillation (AFIB) classification, for which data set was provided by the Department of Biomedical Engineering, BUT. The compared networks are based on ResNet, VGG net and AlexNet. Single lead signals are transformed into the form of spectrogram. AFIB data was augmented for the purpose of similar size of both respected classes and for successful classification. The most successful architecture, based on AlexNet, was found to perform obtaining an accuracy of 92 % and F1 score of 56 % on the hidden testing set.
|
|
|
Convolutional Neural Networks For Identification Of Axial 2d Slices In Ct Data
Vavřinová, Pavlína
This thesis deals with the classification of 2D axial slices in CT patient’s data. The classification is realized into six categories. The sphere of convolutional neural networks was used for this purpose and AlexNet network was specifically selected for the intention of this identification, which was applied to the created data set after being adaptated. The overall classification success rate was 84%. In addition, an analysis of mistakes in classification was performed.
|
|
|
Implementace neuronové sítě bez operace násobení
Slouka, Lukáš ; Baskar, Murali Karthick (oponent) ; Szőke, Igor (vedoucí práce)
Predmetom tejto diplomovej práce je akcelerácia neurónových sietí s cieľom redukcie počtu operácií násobenia reálnych čísiel. Teoretická časť tejto práce sleduje súčasné trendy a metódy využívané v oblasti akcelerácie neurónových sietí. Najväčší dôraz je kladený na binarizačné techniky, ktoré umožňujú nahradiť násobenia logickými operátormi. Teoretický základ je zavedený do praxe hneď dvomi spôsobmi. Prvým z nich je implementácia kritických binárnych operátorov spustiteľných na GPU vo frameworku TensorFlow a ich rýchlostný benchmark. Druhým je aplikácia týchto operátorov v jednoduchom klasifikátore obrázkov. Výsledky sú rozhodne povzbudivé. Implementované operátory dosiahli 2,5-násobné zrýchlenie v porovnaní s vysoko optimalizovanými cuBLAS operátormi. Posledná kapitola práce sleduje úspešnosť dosiahnutú binarizačnými modelmi.
|
|
|
Identifikace 2D CT axiálních řezů pomocí konvolučních neuronových sítí
Vavřinová, Pavlína ; Harabiš, Vratislav (oponent) ; Jakubíček, Roman (vedoucí práce)
Tato práce se zabývá klasifikací 2D axiálních CT řezů pacientských dat do šesti kategorií. K tomuto záměru byla využita oblast konvolučních neuronových sítí. Pro snadnější porozumění této problematice jsou nejprve vysvětleny základy neuronových sítí obecně a poté principy hlubokého učení zahrnující konvoluční neuronové sítě. Pro účely identifikace axiálních řezů byla vybrána konkrétně síť AlexNet, která byla po uzpůsobení otestovaná na vytvořené datové sadě. Celková úspěšnost klasifikace dosáhla 86%, po finálních úpravách došlo k mírnému zlepšení, kdy identifikační schopnost činila 87%.
|
host ::
RSS.