|
|
Anticurtaining - obrazový filtr pro elektronovou mikroskopii
Dvořák, Martin ; Dobeš, Petr (oponent) ; Zemčík, Pavel (vedoucí práce)
Tomografická 3D analýza v nanometrovém měřítku využívá snímky vzorků získané s využitím fokusovaného iontového svazku (FIB), při jejichž snímání ale dochází z fyzikálních důvodů k poškození "curtaining" efektem. Tato práce představuje nový přistup k odstranění curtaining efektu ze snímků pomocí strojového učení. Pro jeho odstranění je využita konvoluční neuronová síť (CNN) a technika učení s učitelem. Navržená síť pracuje s příznaky, které vytváří vlnková (wavelet) transformace a jejím výstupem je vizuálně "vyčištěný" snímek. K učení sítě je využita syntetická datová sada poškozených snímků, které jsou vytvořeny generátorem simulujícím fyzikální proces tvorby reálného snímku. Simulace se skládá z "opotřebení" vzorku pomocí fokusovaného iontového svazku (FIB) a zobrazení povrchu pomocí skenovacího elektronového mikroskopu (SEM). Nově vytvořený přístup velmi dobře pracuje i s reálně pořízenými snímky. Kvalitativní vyhodnocení představeného řešení a srovnání s jiným řešením hodnotili laici i experti na tuto problematiku. Řešení představuje nový nadějný přístup k odstranění curtaining efektu a přispívá k lepšímu postupu zpracování i porozumění snímkům pořízeným při materiálové analýze.
|
|
|
Zpracování radarového signálu a fúze informací
Reich, Bořek ; Maršík, Lukáš (oponent) ; Zemčík, Pavel (vedoucí práce)
Tato práce zkoumá možnosti fúze milimetrového radaru a kamery. Navrhuje vhodný postup a využití těchto senzorů za účelem detekce objektů, především se pak zaměřuje na vyhledávání osob a stanovení jejich vzdálenosti od senzorů. Klade důraz na použití konvolučních neuronových sítí jako prostředku pro realizaci fúze a detekce. Výstupem systému jsou informace zjištěné z dat milimetrového radaru i kamery, kdy je po provedení detekce pomocí milimetrového radaru zjištěna vzdálenost osoby. Výsledek fúze senzorů je prověřen pomocí nashromážděných dat z obou senzorů ve zhoršených světelných podmínkách, v neznámém prostředí, na neznámých osobách a pomocí referenčních údajů o vzdálenosti objektů.
|
|
|
Word2vec modely s přidanou kontextovou informací
Šůstek, Martin ; Rozman, Jaroslav (oponent) ; Zbořil, František (vedoucí práce)
Tato práce se zabývá porozuměním word2vec modelů. Přestože tyto modely vznikly nedávno (2013), staly se velmi populárními. Učením těchto modelů lze obdržet vektorovou reprezentaci slov v~N-dimenzionálním prostoru reálných čísel. Pomocí operací nad těmito vektory je možné určit sémantické vazby mezi slovy. Dále se práce snaží o rozšíření představených modelů za účelem jiné reprezentace slov. K tomuto účelu je navrženo využití obrazové informace. Taktéž je diskutována možnost použití konvolučních neuronových sítí ve spojitosti s poskytnutím odlišné kontextové informace.
|
|
|
Trénovatelná segmentace obrazu s použitím hlubokých neuronových sítí
Majtán, Martin ; Burget, Radim (oponent) ; Harár, Pavol (vedoucí práce)
Diplomová práca sa zaoberá segmentáciou obrazu pomocou hlbokých neuronových sietí. V práci je popísaný princíp digitálneho spracovania obrazu a segmentácia obrazu. Je tu vysvetlený princíp umelých neurónových sietí, model umelého neurónu, spôsob ako sa neurónové siete trénujú a aktivujú. V praktickej časti je vytvorený algoritmus na generovanie podobrazov zo snímkov z magnetickej rezonancie. Vygenerované podobrazy sa používajú na trénovanie, testovanie a validáciu modelu neurónovej siete. V práci je vytvorený model umelej neurónovej siete, ktorí bol použitý pri trénovateľnej segmentácii obrazu. Model neurónovej siete je vytvorený pomocou knižnice Deeplearning4j a je optimalizovaný na paralelné trénovanie pomocou knižnice Spark.
|
|
|
Using advanced segmentation methods for images from TEM microscopes
Mocko, Štefan ; Chmelík, Jiří (oponent) ; Potočňák, Tomáš (vedoucí práce)
This master‘s thesis deals with the use of a convolutional neural networks for the segmentation task on images from transmission electron microscope. It also describes chosen neural network topology - U-NET, used augmentation techniques and programming environment. ThermoFisher Scientific (formerly FEI Czech Republic s.r.o.) provided data for this thesis. Obtained segmentation results are presented in the form of curves (ROC, PRC) and numerical values (ARI, DSC, Confusion matrices). Chosen U-NET topology achieved excellent results in the field of pixel-wise segmentation, and hopefully, these results will serve as a starting point for internal company research.
|
|
|
Rozpoznávání CAPTCHA kódů
Pazderka, Radek ; Rozman, Jaroslav (oponent) ; Zbořil, František (vedoucí práce)
Tato bakalářská práce se zaměřuje na návrh a implementaci aplikace sloužící k rozpoznávání textových CAPTCHA kódů. Popisuje algoritmy pro předzpracování obrazu, segmentaci a následnou klasifikaci znaků. Pro klasifikaci byly použity dva různé přístupy. Jedná se o konvoluční neuronovou síť LeNet a histogramový klasifikátor využívající Pearsonova korelačního koeficientu. Následně se zvolené klasifikátory testují na různých CAPTCHA kódech a zjišťuje se výsledná úspěšnost při rozpoznávání.
|
|
|
Umělá inteligence pro klasifikaci aplikačních služeb v síťové komunikaci
Jelínek, Michael ; Fujdiak, Radek (oponent) ; Blažek, Petr (vedoucí práce)
Diplomová práce se zaměřuje na výběr vhodného algoritmu ke klasifikaci vybraných služeb síťového provozu a jeho implementaci. Teoretická část popisuje dostupné klasifikační přístupy společně s používanými algoritmy a vybrané síťové služby. Praktická část se zaměřuje na přípravu a předzpracování datové sady, výběr a optimalizaci klasifikačního algoritmu a ověření klasifikačních schopností algoritmu na různých scénářích datové sady.
|
|
|
Počítačové vidění pro sledování 3D tisku
Heinz, Mikuláš ; Hradiš, Michal (oponent) ; Smrž, Pavel (vedoucí práce)
Tato práce se zabývá automatickou detekcí chyb, které nastávají v průběhu časově náročného 3D tisku. K tomu využívá počítačového vidění a umělou inteligenci. Hlavním výsledkem je systém, který pomocí Raspberry Pi a připojené kamery zaznamenává pravidelně průběh tisku a snímky zasílá na počítač uživatele k detekci. Na tomto počítači je snímek analyzován modelem konvoluční neuronové sítě a informace o nalezené chybě je zaslána uživateli pomocí SMTP protokolu. Součástí řešení je také datová sada s 385 snímky chyb při 3D tisku rozdělených podle typu.
|
|
|
Principy a aplikace neuroevoluce
Herec, Jan ; Strnadel, Josef (oponent) ; Bidlo, Michal (vedoucí práce)
Práce se na teoretické úrovni zabývá evolučními algoritmy (EA), neuronovými sítěmi (NN) a jejich syntézou v podobě neuroevoluce. Z praktického hlediska je cílem práce ukázat uplatnění neuroevoluce na dvou odlišných úlohách. První úloha spočívá v evolučním návrhu architektury konvoluční neuronové sítě (CNN), která by dokázala klasifikovat s vysokou přesností ručně psané číslice (z datasetu MNIST). Druhá úloha spočívá v evoluční optimalizaci vah neurokontroléru, který řídí přistání 1. stupně rakety Falcon 9 ve 2D simulaci. Obě úlohy jsou výpočetně velmi náročné a proto byly řešeny na superpočítači. V rámci první úlohy se podařilo navrhnout takové architektury, které při správném natrénování dosahují přesnosti klasifikace 99,49%. Ukázalo se tak, že je možné návrh kvalitních architektur zautomatizovat s využitím neuroevoluce. V rámci druhé úlohy se podařilo optimalizovat váhy neurokontroléru tak, že pro definované počáteční podmínky dovede neurokontrolér model rakety k úspěšnému přistání. V obou úlohách tedy neuroevoluce uspěla.
|
|
|
Detekce dopravních značek a semaforů
Chocholatý, Tomáš ; Bartl, Vojtěch (oponent) ; Herout, Adam (vedoucí práce)
Práce se zabývá detekcí dopravních značek a semaforů v obraze s využitím konvolučních neuronových sítí. Cílem je vytvoření vhodného detektoru pro detekci a rozpoznání dopravního značení v reálném provozu. Za účelem trénování konvolučních neuronových sítí byly vytvořeny vhodné datové sady, které se skládají ze syntetické i reálné datové sady. Pro syntetickou datovou sadu byl vytvořen generátor, který simuluje různé deformace značek. Vyhodnocení kvality detekce je prováděno pomocí vlastního programu pro kvantitativní vyhodnocování. Podařilo se dosáhnout úspěšnosti 84\% detekovaných značek nad vlastní testovací datovou sadou. Výsledky umožňují zjistit důležitost zastoupení reálné či syntetické datové sady v trénovací sadě a vliv jednotlivých deformací syntetické datové sady na konečnou kvalitu detekce.
|
host ::
RSS.