|
|
Použití metod hlubokého učení v úlohách zpracování obrazu
Polášková, Lenka ; Marcoň, Petr (oponent) ; Mikulka, Jan (vedoucí práce)
Učení rozpoznávání objektů pomocí neuronové sítě spočívá v napodobení chování živočišné neuronové sítě. Přestože nejsou ani zdaleka známy detaily fungování mozku, týmy složené z vědců z různých oborů medicíny a techniky se snaží po těchto detailech pátrat. Díky velikánům jako je Geoffrey Hinton věda v tomto oboru velice pokročila. Konvoluční neuronové sítě, které se vycházejí z živočišného modelu optického systému, lze s výhodou použít pro segmentování obrazu, a proto byly vybrány pro segmentaci nádorů a edémů z obrazů magnetické resonance. Modely neuronové sítě, použité v této práci, dosáhly úspěšnosti 41\% procent v segmentaci edémů a 79\% v segmentaci nádorů z mozkové tkáně.
|
|
|
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.
|
|
|
Automatická detekce fibrilace síní pomocí metod hlubokého učení
Budíková, Barbora ; Ronzhina, Marina (oponent) ; Hejč, Jakub (vedoucí práce)
Síňová fibrilace je arytmie, která se běžně detekuje z křivky EKG pomocí jejích specifických projevů. Její časné rozpoznání je klíčové k prevenci závažnějších stavů. Automatická detekce fibrilace síní se v posledních letech stále častěji provádí pomocí metod hlubokého učení. Tato práce představuje detekci fibrilace síní v křivce 12svodového EKG pomocí hluboké konvoluční neuronové sítě. V první části práce jsou představeny teoretické souvislosti k práci potřebné, dále je detailně popsán vytvořený algoritmus. Samotná detekce je realizována programem implementovaným v jazyce Python ve dvou algoritmických podobách jejichž přesnost je hodnocena pomocí metrik přesnost (Accuracy) a F1 skóre. Dosažené výsledky jsou diskutovány, vzájemné porovnány a srovnány s výsledky publikací zabývajících se obdobnou problematikou.
|
|
|
Komprese obrazu pomocí neuronových sítí
Teuer, Lukáš ; Sochor, Jakub (oponent) ; Hradiš, Michal (vedoucí práce)
Tento dokument se zabývá kompresí obrazu za pomoci různých druhů neuronových sítí. Jsou zde probrány vlastnosti použitých druhů neuronových sítí, jako jsou konvoluční a rekurentní neuronové sítě. V dokumentu jsou ukázány a podrobně popsány architektury neuronových sítí, které se dají použit ke kompresi obrazu, a vysvětluje, jakým způsobem pracují. Dále jsou zde provedeny experimenty nad různými strukturami a parametry neuronových sítí za cílem najít nejvhodnější vlastnosti sítě pro kompresi obrazu. Navrhují se zde nové koncepty pro kompresi obrazu pomocí neuronových sítí, které jsou hned otestovány. Na závěr je zde navržena síť skládající se z nejlepších konceptů a částí otestovaných během experimentování.
|
|
|
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%.
|
|
|
Klasifikace obrazů s pomocí hlubokého učení
Hřebíček, Zdeněk ; Přinosil, Jiří (oponent) ; Mašek, Jan (vedoucí práce)
Práce se zabývá detekcí objektů v obraze a jejich klasifikací do tříd. Klasifikace je zajištěna modely prostředí pro hlubokého učení BVLC/Caffe; Detekci objektů zajišťují algoritmy AlpacaDB/selectivesearch a belltailjp/selective_search_py. Jedním z výsledků této práce je úprava a využití modelu hluboké konvoluční neuronové sítě AlexNet v prostředí BVLC/Caffe. Model byl natrénován s přesností 51,75% pro klasifikaci do 1 000 tříd, následně byl upraven a natrénován pro klasifikaci do 20 tříd s přesnotí 75.50%. Přínosem práce je implementace grafického rozhraní pro detekci a klasifikaci objektů do tříd, jež je implementováno jako aplikace na bázi webového serveru v jazyce Python. Aplikace integruje výše zmíněné algoritmy detekce objektů s klasifikací pomocí BVLC/Caffe. Výslednou aplikaci lze použít jak pro detekci (a klasifikaci) objektů, tak pro rychlé ověření klasifikačních modelů prostředí BVLC/Caffe. Tato aplikace byla pro možnost rozšíření a dlašího využití zveřejněna na serveru GitHub pod licencí Apache 2.0.
|
|
|
Rozpoznávání energetických protokolů pomocí umělé inteligence
Racka, Jan ; Holasová, Eva (oponent) ; Bohačík, Antonín (vedoucí práce)
Diplomová práce je zaměřena na klasifikaci zabezpečeného síťového provozu energetických protokolů pomocí konvoluční neuronové sítě. V teoretické části je rozebrána problematika neuronových sítí a jejich využití při klasifikaci síťového provozu. Dále jsou rozebrány energetické protokoly Modbus, IEC 104, TASE.2, DNP3, GOOSE, SMV, MMS a standard DLMS/COSEM včetně zabezpečení. V následné praktické části je realizována konvoluční neuronová síť sloužící k rozpoznání zmíněných protokolů v jejich zabezpečených variantách. Pro natrénovaní sítě byly použity záznamy nezabezpečeného provozu z veřejně dostupných repositářů, ze simulátorů provozu daných protokolů a ze zachycených dat v energetickém polygonu. Pro získání zabezpečeného provozu byly vyvinuty TLS a GOOSE konvertory zajišťující jednotný přístup v zabezpečení protokolů. Výsledný zabezpečený provoz byl předzpracován do dvojrozměrného formátu a předložen k učení neuronové síti. Vstupní obraz byl vytvořen z aplikačních částí paketů relace energetického protokolu a naformátován do velikosti 28 × 28 bajtů. Výsledná přesnost sítě na testovacích datech byla 95,75 %. Dále byla síť testována na reálném provozu v energetickém polygonu, kde byla schopna některé protokoly správně rozeznat. Následně byl v rámci dílčího cíle práce vyvinut klasifikátor provozního stavu stanice komunikující pomocí IEC 104 s TLS. Klasifikátor byl tvořen konvoluční neuronovou sítí s definovaným dvojrozměrným vstupním obrazem. Obraz byl složen z informací pětice po sobě jdoucích paketů. Informace byly vytvořeny z mezičasu příchodu mezi pakety, z délky TLS zašifrovaných aplikačních dat a ze zašifrovaných aplikačních dat do velikost 64 B. Pro získání dostatku dat pro trénování konvoluční sítě byl vyvinut simulátor charakteristických zpráv pro jednotlivé stavy. Po ukončení učící fáze byla vykázána přesnost klasifikátoru 43,05 % na testovacích datech. Dále byl klasifikátor testován na samotné testované stanici. Pomocí klasifikátoru byl rozeznán běžný provoz stanice od událostí, avšak v případě událostí podobného charakteru docházelo k záměnám.
|
|
|
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.
|
|
|
Automatická detekce fibrilace síní pomocí metod hlubokého učení
Budíková, Barbora ; Ronzhina, Marina (oponent) ; Hejč, Jakub (vedoucí práce)
Síňová fibrilace je arytmie, která se běžně detekuje z křivky EKG pomocí jejích specifických projevů. Její časné rozpoznání je klíčové k prevenci závažnějších stavů. Automatická detekce fibrilace síní se v posledních letech stále častěji provádí pomocí metod hlubokého učení. Tato práce představuje detekci fibrilace síní v křivce 12svodového EKG pomocí hluboké konvoluční neuronové sítě. V první části práce jsou představeny teoretické souvislosti k práci potřebné, dále je detailně popsán vytvořený algoritmus. Samotná detekce je realizována programem implementovaným v jazyce Python ve dvou algoritmických podobách jejichž přesnost je hodnocena pomocí metrik přesnost (Accuracy) a F1 skóre. Dosažené výsledky jsou diskutovány, vzájemné porovnány a srovnány s výsledky publikací zabývajících se obdobnou problematikou.
|
|
|
Komprese obrazu pomocí neuronových sítí
Teuer, Lukáš ; Sochor, Jakub (oponent) ; Hradiš, Michal (vedoucí práce)
Tento dokument se zabývá kompresí obrazu za pomoci různých druhů neuronových sítí. Jsou zde probrány vlastnosti použitých druhů neuronových sítí, jako jsou konvoluční a rekurentní neuronové sítě. V dokumentu jsou ukázány a podrobně popsány architektury neuronových sítí, které se dají použit ke kompresi obrazu, a vysvětluje, jakým způsobem pracují. Dále jsou zde provedeny experimenty nad různými strukturami a parametry neuronových sítí za cílem najít nejvhodnější vlastnosti sítě pro kompresi obrazu. Navrhují se zde nové koncepty pro kompresi obrazu pomocí neuronových sítí, které jsou hned otestovány. Na závěr je zde navržena síť skládající se z nejlepších konceptů a částí otestovaných během experimentování.
|
host ::
RSS.