|
|
Podpora tvorby map pomocí metod zpracování obrazu
Jaroš, Ján ; Herman, David (oponent) ; Váňa, Jan (vedoucí práce)
Tato bakalářská práce se zabývá metodami detekce vybraných objektů ve videu a importováním těchto objektů do centrální databáze OpenStreetMap na základě jejich geografické poloze. Zaměřena je z velké části na rozpoznávání dopravních značek. První část stručně popisuje některé nejpoužívanější metody a samotný projekt OpenStreetMap. V nasledujících kapitolách je uveden podrobnější přehled použitých metod navrhnutého systému, jeho implementace a testování. Závěr obsahuje zhodnocení celé práce a jsou zde uvedené možné rozšíření.
|
|
|
Laptop Touchpad Palm Detection with AI/ML
Menzyński, Mark Alexander ; Kavetskyi, Andrii (oponent) ; Drahanský, Martin (vedoucí práce)
The situation about palm rejection for laptops is less than ideal. Most research focuses on touchscreens, and there is minimal research on touchpads. Some research is possibly done privately in laptop manufacturer companies, but the technology is lacking behind regardless. This thesis explores several shallow and deep machine learning models and finds their accuracy to be very much sufficient. In addition, a real-time proof of concept is implemented to demonstrate the model's capabilities.
|
|
|
Detekce vybraných zvukových událostí v reálném prostředí
Kowolowski, Alexander ; Burget, Radim (oponent) ; Přinosil, Jiří (vedoucí práce)
Tato práce se zabývá metodami pro rozpoznávání nebezpečných událostí, v tomto případě výstřelů, v reálném prostředí. Nejdříve byla vytvořena testovací a trénovací databáze zvuků ze zadané databáze MIVIA. V této databázi byly soubory obsaženy v šesti verzích odstupu užitečného signálu od šumu, takže následné testování vybraných metod probíhalo pro různě zašuměné soubory a bylo zjištěno, že některé metody jsou například přesnější u čistších nahrávek než jiné, ale už méně přesné u více zašuměných. Pro extrakci typických příznaků ze vstupního zvuku byla vždy použita metoda melovských kepstrálních koeficientů. V práci jsou na vytvořených databázích postupně testovány metody podpůrných vektorů a klasifikace spojením většího počtu slabých klasifikátorů. Tyto metody jsou poté dále optimalizovány, například využitím statistických veličin a po optimalizaci dosahují lepších výsledků, podle předpokladů. V rámci práce byly vytvořeny dva skripty, kde jeden vytváří trénovací databázi a na těchto datech natrénuje klasifikátor a druhý vytváří testovací databázi a vybraný klasifikátor na takto získaných testovacích datech otestuje a vypíše výsledky. Výsledky jsou v práci zpracovány pomocí tabulky záměn a je pro ně vypočteno několik poměrových veličin, jako je přesnost, citlivost, specifičnost a další. Tyto výsledky jsou vždy uvedeny v příslušné kapitole v tabulkách i sloupcových grafech a řádně okomentovány.
|
|
|
Sledování objektů ve videosekvencích
Pavlík, Vít ; Musil, Petr (oponent) ; Zemčík, Pavel (vedoucí práce)
Diplomová práce se zabývá dlouhodobým sledováním objektů ve videosekvencích. Cílem práce je demonstrovat techniky potřebné ke zvládnutí dlouhodobého sledování objektů, především pak ty jejichž aplikace vede k vytvoření adaptivního sledovacího systému, který dokáže vhodně reagovat na změnu vzhledu objektu zájmu a nestálou povahu okolního prostředí.
|
|
|
Automatické rozpoznávání logopedických vad v řečovém projevu
Dušil, Lubomír ; Atassi, Hicham (oponent) ; Smékal, Zdeněk (vedoucí práce)
Práce se zabývá analýzou a automatickou detekcí logopedických vad v řečovém projevu. Dává si za cíl ulehčit a urychlit práci logopedů a zvýšit procento odhalených logopedických vad u dětí v co nejmladším věku a následné, co nejúspěšnější, vyléčení. Jsou zde uvedeny metody logopedické práce, dělení vad v jednotlivých stádiích vývoje dítěte a vhodná slova k identifikaci vady řeči a následné nápravě. Následně jsou zde rozebrány metody výpočtu koeficientů, které nejlépe vystihují lidskou řeč. Dále klasifikátory, které se používají k rozpoznávání a určení jestli se jedná o logopedickou vadu či nikoliv. Klasifikátory využívají pro svoji práci koeficienty. Koeficienty a klasifikátory jsou testovány a hledá se co nejlepší jejich kombinace, která by měla nejvyšší procento úspěšnosti v automatickém odhalování logopedických vad řeči. Všechno programování a testování se provádí v programu Matlab.
|
|
|
Rozpoznání hudebního slohu z orchestrální nahrávky za pomoci technik Music Information Retrieval
Jelínková, Jana ; Zvončák, Vojtěch (oponent) ; Kiska, Tomáš (vedoucí práce)
Pojem klasická hudba obsahuje, stejně jako žánry populární hudby, mnoho žánrových variant. Cílem práce je pomocí strojového učení rozlišit tyto žánrové varianty z orchestrálních nahrávek. Tato práce se zaměřuje na skladby z období od konce 16. století do začátku 20. století, jedná se tedy o baroko, klasicismus a romantismus. K identifikaci těchto tří hudebních slohů je využita metoda Music Information Retrieval, která spočívá v získávání parametrů z nahrávek a jejich evaluaci. Evaluované parametry jsou využity jako vstupní data pro klasifikátory. Klasifikace probíhá pomocí metod strojového učení, konkrétně se jedná o algoritmy kNN (K-Nearest Neighbor, v češtině k-nejbližší soused), LDA (Linear Discriminant Analysis, lineárně diskriminační analýza), GMM (Gaussian Mixture Models, Gaussovy smíšené modely) a SVM (Support Vector Machines, podpůrné vektory). V závěru práce je shrnuta dosažená úspěšnost jednotlivých klasifikačních algoritmů. Výsledky ukázaly, že značná odlišnost barokního slohu od zbylých dvou slohů, umožňuje jeho velmi přesnou klasifikaci. Naproti tomu klasicismus vykazuje velkou podobnost s romantismem a jeho identifikace proto dosahuje nižší úspěšnosti. Toto zjištění je ve shodě s předpokladem, který vychází z hudebně-teoretické charakteristiky slohů, která je popsána v první kapitole této práce.
|
|
| |
|
|
Non-Linear Classification as a Tool for Predicting Tennis Matches
Hostačný, Jakub ; Baniar, Matúš (vedoucí práce) ; Krištoufek, Ladislav (oponent)
Charles University Faculty of Social Sciences Institute of Economic Studies MASTER'S THESIS Non-Linear Classification as a Tool for Predicting Tennis Matches Author: Be. Jakub Hostacny Supervisor: RNDr. Matus Baniar Academic Year: 2017/2018 Abstrakt V tejto diplomovej práci skúmame predikčnú přesnost' a výkon pri stávkovaní u štyroch strojovo učiacich sa algoritmov - penalizovaná logistická regresia, náhodný les, posilněné stromy a neuronové siete. Pri práci využíváme 40 310 ATP zápasov hraných počas obdobia 1/2001-10/2016. Co sa týká predikčnej přesnosti, naše modely prekonávajú najlepšie modely súčasnosti pre prediko- vanie negrandslamových (69%) ako aj modely pre predikovanie grandslamových zápasov (79%). Všetky špecifikácie modelov sú presnejšie ako predikovanie na základe rebríčkového postavenia hráčov, zatial'čo váčšina specifikách je přes nějších ako predikovanie na základe vypísaných kurzov stávkových kancelárií. Co sa týká návratnosti pri stávkovaní, vytvořili sme šest'profitabilných stratégií pre stávkovanie na favoritov pre negrandslamové zápasy (návranosť investície v rozmedzí 0.8-6.5%). Taktiež sme identifkovali desať profitabilných stratégií pre stávkovanie na favoritov pre grandslamové zápasy (návranosť investície v rozmedzí 0.7-9.3%). Naše modely prinášajú vyššiu návratnost' ako stávkovanie...
|
|
|
Laptop Touchpad Palm Detection with AI/ML
Menzyński, Mark Alexander ; Kavetskyi, Andrii (oponent) ; Drahanský, Martin (vedoucí práce)
The situation about palm rejection for laptops is less than ideal. Most research focuses on touchscreens, and there is minimal research on touchpads. Some research is possibly done privately in laptop manufacturer companies, but the technology is lacking behind regardless. This thesis explores several shallow and deep machine learning models and finds their accuracy to be very much sufficient. In addition, a real-time proof of concept is implemented to demonstrate the model's capabilities.
|
|
|
Rozpoznání hudebního slohu z orchestrální nahrávky za pomoci technik Music Information Retrieval
Jelínková, Jana ; Zvončák, Vojtěch (oponent) ; Kiska, Tomáš (vedoucí práce)
Pojem klasická hudba obsahuje, stejně jako žánry populární hudby, mnoho žánrových variant. Cílem práce je pomocí strojového učení rozlišit tyto žánrové varianty z orchestrálních nahrávek. Tato práce se zaměřuje na skladby z období od konce 16. století do začátku 20. století, jedná se tedy o baroko, klasicismus a romantismus. K identifikaci těchto tří hudebních slohů je využita metoda Music Information Retrieval, která spočívá v získávání parametrů z nahrávek a jejich evaluaci. Evaluované parametry jsou využity jako vstupní data pro klasifikátory. Klasifikace probíhá pomocí metod strojového učení, konkrétně se jedná o algoritmy kNN (K-Nearest Neighbor, v češtině k-nejbližší soused), LDA (Linear Discriminant Analysis, lineárně diskriminační analýza), GMM (Gaussian Mixture Models, Gaussovy smíšené modely) a SVM (Support Vector Machines, podpůrné vektory). V závěru práce je shrnuta dosažená úspěšnost jednotlivých klasifikačních algoritmů. Výsledky ukázaly, že značná odlišnost barokního slohu od zbylých dvou slohů, umožňuje jeho velmi přesnou klasifikaci. Naproti tomu klasicismus vykazuje velkou podobnost s romantismem a jeho identifikace proto dosahuje nižší úspěšnosti. Toto zjištění je ve shodě s předpokladem, který vychází z hudebně-teoretické charakteristiky slohů, která je popsána v první kapitole této práce.
|
host ::
RSS.