|
|
Aproximace hlubokých neuronových sítí
Stodůlka, Martin ; Mrázek, Vojtěch (oponent) ; Vaverka, Filip (vedoucí práce)
Cílem mé práce je zjistit vliv a dopad aproximovaného počítání na přesnost hluboké neuronové sítě, konkrétně neuronové sítě pro klasifikaci obrazu. Pro implementaci neuronové sítě byla použita varianta frameworku Caffe zvaná Ristretto-caffe, která byla rozšířena o možnost použití aproximovaných operací v konvolučních vrstvách. pro používání aproximovaných komponent. Aproximované počítání bylo použito na násobení v dopředné propagaci při konvoluci. Jako aproximované komponenty byly zvoleny komponenty z knihovny Evoapproxlib.
|
|
|
Evoluční návrh klasifikátoru obrazů
Koči, Martin ; Bidlo, Michal (oponent) ; Drahošová, Michaela (vedoucí práce)
Táto práca sa zaoberá evolučným návrhom klasifikátora obrazov pomocou genetického programovania, konkrétne kartézskeho genetického programovania. Práca popisuje teoretické základy strojového učenia, evolučných algoritmov a genetického programovania. Súčasťou práce je popísaný návrh programu a jeho implementácia. Ďalej sú vykonané experimenty na dvoch riešených úlohách pre klasifikáciu ručne písaných číslic a klasifikáciu obrázkov kociek pomocou, ktorých sa dá určiť miera demencie pri Parkinsonovej chorobe. Najlepšie navrhnuté riešenie pre čísla má AUC 0.95 a pre kocky 0.86. Navrhnuté riešenia sú porovnané s inými metódami, konkrétne konvolučnými neurónovými sieťami (CNN) a metódou podporných vektorov (SVM). Výsledná AUC pre klasifikáciu číslic, je pre obe CNN a aj SVM 0.99 pre kocky mala CNN výslednú AUC 0.81 a SVM 0.69. Kocky sú následne porovnané z existujúcim riešením, pri ktorom bola výsledná AUC 0.70, takže na základe výsledkov experimentov je vidieť zlepšenie pri použitej metóde v tejto práci.
|
|
|
Zpracování RTG snímků při výzkumu čelistních onemocnění
Kabrda, Miroslav ; Šmirg, Ondřej (oponent) ; Mikulka, Jan (vedoucí práce)
Předmětem této diplomové práce je návrh metody pro automatizované vyhodnocení parametrů rentgenových obrazů cystických onemocnění lidských čelistí. Hlavním problémem při lékařské diagnostice je nízká opakovatelnost způsobená subjektivním ohodnocením snímků bez použití nástroje pro zpracování obrazu. V diplomové práci jsou popsány základní kroky zpracování obrazu, jednotlivé metody segmentace obrazu a zvolená metoda segmentace live-wire. Databáze obrazů byla zpracována v Java prostředí ImageJ. V cystických oblastech byly vyhodnoceny jejich základní statistické a tvarové vlastnosti. Získané hodnoty byly použity pro učení klasifikačního modelu (rozhodovací strom) v prostředí RapidMiner. Tento model byl využit pro vytvoření zásuvného modulu pro automatickou klasifikaci typu cysty v programu ImageJ.
|
|
|
Vyhledávání lesů v obraze
Kyjovský, Marek ; Španěl, Michal (oponent) ; Šilhavá, Jana (vedoucí práce)
Tato bakalářská práce se zabývá studiem metod a postupů, které se používají pro vyhledávání lesů v leteckých a družicových snímcích. Práce shrnuje a popisuje metody digitálního zpracování obrazu. Dále je práce zaměřena na implementaci demonstrační aplikace, která tyto postupy využívá. Zabývá se návrhem této aplikace a popisuje její implementaci. Nakonec práce hodnotí úspěšnost výstupů z této aplikace.
|
|
|
Analýza speklí pro segmentaci obrazů z optické koherentní tomografie
Gallo, Vladimír ; Kolář, Radim (oponent) ; Štohanzlová, Petra (vedoucí práce)
tejto práci sa nachádza základný popis princípu optickej koherentnej tomografie, prehľad jej aplikácií a základné rozdelenie týchto systémov. Ďalej sa práca zaoberá charakterom obrazov optickej koherentnej tomografie, pre ktoré je typický šum zvaný spekle. V práci je uvedený princíp vzniku tohto šumu a využitie jeho závislosti na mikroštruktúre zobrazovaných tkanív pomocou textúrnej analýzy pre účely klasifikácie. Praktická časť tejto diplomovej práce pozostáva z prípravy fantómov, namerania testovacej sady dát na systéme OCT, implementovania metódy analýzy speklov v MATLABe a otestovania funkčnosti implementovaných algoritmov na štandardnom texturálnom datasete a tiež na nameraných fantómových obrazových dátach. Metódy analýzy sú použité pre segmentáciu fantómových obrazových dát.
|
|
|
Biometrie s využitím snímků sítnice s nízkým rozlišením
Smrčková, Markéta ; Odstrčilík, Jan (oponent) ; Kolář, Radim (vedoucí práce)
Tato práce se zabývá návrhem metody pro biometrickou identifikaci ze snímků oční sítnice. První část práce je zaměřena především na principy a pojmy, využívané v biometrii, anatomii oka a metody pro biometrii sítnice. Je zde popsána podstata neuronových sítí a hlubokého učení, které budou v praktické části využity. V poslední části se práce věnuje popisu zvoleného identifikačního algoritmu, jeho implementaci a zhodnocení výsledků biometrického systému.
|
|
|
Pokročilé metody segmentace cévního řečiště na fotografiích sítnice
Svoboda, Ondřej ; Jan, Jiří (oponent) ; Odstrčilík, Jan (vedoucí práce)
Segmentace cévního řečiště je častým krokem při zpracování retinálních obrazů. V dnešní době existuje řada automatických metod segmentace cévního řečiště. Tyto metody jsou založeny na mnoha přístupech. Od přizpůsobené filtrace, přes metody využívající rozpoznávání vzorů, až po algoritmy využívající klasifikace obrazu. Použití automatických metod při zpracování retinálních snímků výrazně urychluje a zjednodušuje diagnostiku retinálních onemocnění. Při zpracování automatickými segmentačními algoritmy je jednou ze stěžejních částí prahování obrazu, a právě prahování fundus snímků se věnuje tato práce. Je zde popsána řada prací využívajících globální a lokální prahovací metody, a zejména metody klasifikace obrazu pro segmentaci cévního řečiště ze snímků sítnice. Následně byla na výsledky dvou metod segmentace cévního řečiště použita metoda klasifikace obrazu s učením. Z dosažených výsledků byla posléze stanovena schopnost daných metod segmentovat cévní řečiště. Použitím klasifikace obrazu namísto globálního prahování došlo u první metody na zdravé části databáze k poklesu sensitivity na 63,32 % a přesnosti na 94,99 %. Naopak u specificity byl zaznamenán nárůst na 95,75 %. U druhé metody bylo dosaženo sensitivity 69,24 %, specificity 98,86 % a přesnosti 95,29 %. Kombinací výsledků obou metod bylo dosaženo sensitivity 72,48 %, specificity 98,59 % a výsledné přesnosti 95,75 %. Tímto nebyl s použitím daného klasifikátoru potvrzen předpoklad, že klasifikace obrazu s učením je oproti prostému prahování efektivnější. Zároveň bylo však prokázáno, že rozšíření příznakového vektoru kombinací výsledků z obou metod došlo k nárůstu sensitivity, specificity i přesnosti.
|
|
|
Podpora deskové hry Nemesis na mobilním telefonu s OS Android
Štěpánek, Miroslav ; Švec, Tomáš (oponent) ; Smrž, Pavel (vedoucí práce)
Cílem této práce je vytvořit mobilní aplikaci k deskové hře Nemesis určenou na systém Android, která umožní uživateli zjistit informace o herních komponentech při hře. Práce se skládá ze dvou hlavních částí, první je model vytvořený za pomoci knihovny Tensorflow, který zajišťuje detekci těchto komponent. Druhou je pak samotná aplikace, která dostává výsledky od dříve zmíněného modelu a zobrazuje výsledné informace uživateli. Toto usnadňuje uživateli hru a pomáhá ji i urychlit. Výsledný systém je možné modifikovat, tak aby byla aplikace využitelná i pro jiné hry.
|
|
|
Urban Element Detection Using Satellite Imagery
Oravec, Dávid ; Herout, Adam (oponent) ; Zlámal, Adam (vedoucí práce)
This thesis focuses on the right detection of objects in satellite imagery using convolutional neural networks. The goal of the thesis is to detect swimming pools and tennis courts in satellite imagery from different cities using the trained model. The model works with data from 10 different cities. The RetinaNet neural network model and Detectron2 library were used for development. The final trained model can detect objects with the average precision (AP50) at the level of 63.402 %. The thesis can be useful in the field of automating the acquisition of land surface statistics.
|
|
|
Vliv barevných modelů na chování konvolučních neuronových sítí
Šimunský, Martin ; Doležel, Petr (oponent) ; Škrabánek, Pavel (vedoucí práce)
Diplomová práce zkoumá aktuální poznatky týkající se vlivu barevných modelů na chování konvoluční neuronové sítě. Na základě poznatků je proveden experiment na toto téma se šesti barevnými modely RGB, HSV, CIE 1931 XYZ, CIE 1976 L*a*b*, YIQ a YCbCr a hlubokou konvoluční neuronovou sítí ResNet-101. Barevný model RGB dosáhl v tomto experimentu nejvyšší přesnosti klasifikace, model HSV nejnižší.
|
host ::
RSS.