|
|
Software pro detekci a rozpoznání registrační značky vozidla
Masaryk, Adam ; Hradiš, Michal (oponent) ; Špaňhel, Jakub (vedoucí práce)
Cieľom tejto bakalárskej práce je navrhnúť a vyvinúť softvér, ktorý dokáže detegovať a rozpoznávať registračné značky z obrázkov. Softvér je rozdelený na 3 časti - detekcia značky, spracovanie výstupu detektora a rozpoznanie znakov na registračnej značke. Detekciu a rozpoznanie sme sa rozhodli implementovať pomocou moderných metód využitím konvolučných neurónových sietí.
|
|
|
Food classification using deep neural networks
Kuvik, Michal ; Přinosil, Jiří (oponent) ; Burget, Radim (vedoucí práce)
The aim of this thesis is to study problems of deep convolutional neural networks and the connected classification of images and to experiment with the architecture of particular network with the aim to get the most accurate results on the selected dataset. The thesis is divided into two parts, the first part theoretically outlines the properties and structure of neural networks and briefly introduces selected networks. The second part deals with experiments with this network, such as the impact of data augmentation, batch size and the impact of dropout layers on the accuracy of the network. Subsequently, all results are compared and discussed with the best result achieved an accuracy of 86, 44% on test data.
|
|
|
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.
|
|
|
Exploiting Approximate Arithmetic Circuits in Neural Networks Inference
Matula, Tomáš ; Mrázek, Vojtěch (oponent) ; Češka, Milan (vedoucí práce)
This thesis is concerned with the utilization of approximate circuits in neural networks to provide energy savings. Various studies showing interesting results already exist, but most of them were very application specific or demonstrated on a small scale. To take this further, we created a platform by nontrivial modifications of robust open-source framework Tensorflow allowing us to simulate approximate computing on known state-of-the-art neural networks e.g. Inception or MobileNet. We focused only on replacement of most computationally expensive parts of convolutional neural networks, which are multiplication operations in convolution layers. We experimentally demonstrated and compared various setups and even that we proceeded without relearning, we were able to obtain promising results. For example, with zero accuracy loss on Inception v4 architecture, we gained almost 8% energy savings which could be valuable, especially in low-power devices or in large neural networks with enormous computational demands.
|
|
|
Rozpoznání květin v obraze
Jedlička, František ; Kříž, Petr (oponent) ; Přinosil, Jiří (vedoucí práce)
Tato práce se zabývá rozpoznáváním květin v obraze a klasifikaci do tříd. Teoretická část je zaměřena na problematiku hlubokých konvolučních neuronových sítí. Praktická část se zabývá popisem mnou vytvořené databáze květin, se kterou je dále pracováno. Databáze obsahuje celkem 13000 fotek rostlin 26 druhů a to čekanky, fialky, gerbery, heřmánku, chrpy, jaterníku, jestřábníku, jetele, karafiátu, konvalinky, kopretiny, macešky, máku, měsíčku, narcise, pampelišky, pcháče, pomněnky, růže, sasanky, sedmikrásky, slu- nečnice, sněženky, starčku, tulipánu a vlaštovičníku. Dále je v práci popsán a použit model neuronové sítě Inception v3 na klasifikaci obrazu do tříd. Výsledná klasifikační přesnost dosáhla 92%.
|
|
|
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.
|
|
|
Food classification using deep neural networks
Kuvik, Michal ; Přinosil, Jiří (oponent) ; Burget, Radim (vedoucí práce)
The aim of this thesis is to study problems of deep convolutional neural networks and the connected classification of images and to experiment with the architecture of particular network with the aim to get the most accurate results on the selected dataset. The thesis is divided into two parts, the first part theoretically outlines the properties and structure of neural networks and briefly introduces selected networks. The second part deals with experiments with this network, such as the impact of data augmentation, batch size and the impact of dropout layers on the accuracy of the network. Subsequently, all results are compared and discussed with the best result achieved an accuracy of 86, 44% on test data.
|
|
|
Software pro detekci a rozpoznání registrační značky vozidla
Masaryk, Adam ; Hradiš, Michal (oponent) ; Špaňhel, Jakub (vedoucí práce)
Cieľom tejto bakalárskej práce je navrhnúť a vyvinúť softvér, ktorý dokáže detegovať a rozpoznávať registračné značky z obrázkov. Softvér je rozdelený na 3 časti - detekcia značky, spracovanie výstupu detektora a rozpoznanie znakov na registračnej značke. Detekciu a rozpoznanie sme sa rozhodli implementovať pomocou moderných metód využitím konvolučných neurónových sietí.
|
|
|
Exploiting Approximate Arithmetic Circuits in Neural Networks Inference
Matula, Tomáš ; Mrázek, Vojtěch (oponent) ; Češka, Milan (vedoucí práce)
This thesis is concerned with the utilization of approximate circuits in neural networks to provide energy savings. Various studies showing interesting results already exist, but most of them were very application specific or demonstrated on a small scale. To take this further, we created a platform by nontrivial modifications of robust open-source framework Tensorflow allowing us to simulate approximate computing on known state-of-the-art neural networks e.g. Inception or MobileNet. We focused only on replacement of most computationally expensive parts of convolutional neural networks, which are multiplication operations in convolution layers. We experimentally demonstrated and compared various setups and even that we proceeded without relearning, we were able to obtain promising results. For example, with zero accuracy loss on Inception v4 architecture, we gained almost 8% energy savings which could be valuable, especially in low-power devices or in large neural networks with enormous computational demands.
|
|
|
Rozpoznání květin v obraze
Jedlička, František ; Kříž, Petr (oponent) ; Přinosil, Jiří (vedoucí práce)
Tato práce se zabývá rozpoznáváním květin v obraze a klasifikaci do tříd. Teoretická část je zaměřena na problematiku hlubokých konvolučních neuronových sítí. Praktická část se zabývá popisem mnou vytvořené databáze květin, se kterou je dále pracováno. Databáze obsahuje celkem 13000 fotek rostlin 26 druhů a to čekanky, fialky, gerbery, heřmánku, chrpy, jaterníku, jestřábníku, jetele, karafiátu, konvalinky, kopretiny, macešky, máku, měsíčku, narcise, pampelišky, pcháče, pomněnky, růže, sasanky, sedmikrásky, slu- nečnice, sněženky, starčku, tulipánu a vlaštovičníku. Dále je v práci popsán a použit model neuronové sítě Inception v3 na klasifikaci obrazu do tříd. Výsledná klasifikační přesnost dosáhla 92%.
|
host ::
RSS.