|
|
Fingerprint Recognition with Graph Neural Networks
Pospíšil, Ondřej ; Špaňhel, Jakub (referee) ; Hradiš, Michal (advisor)
This thesis deals with the verification of fingerprints based on their graph representation. The proposed method uses a graph neural network and a combinatorial solver to obtain the matching between the minutae points of a pair of fingerprints. The matched minutae points are used to align the fingerprints using an estimated transformation by the RANSAC algorithm. The aligned fingerprints are processed by the SimGNN model. The resulting similarity score is then combined with the metrics obtained from the aligned fingerprints. The experiments summarize the selection of method parameters and the evaluation of fingerprint matching and verification accuracy. The contribution of this work is a new stable method of fingerprint alignment by solving the graph matching problem. The proposed verification method does not achieve high accuracy due to too few minutae attributes and poor discriminating power of the metrics used.
|
|
|
Deep Learning for Image Stitching
Držíková, Diana Maxima ; Vaško, Marek (referee) ; Španěl, Michal (advisor)
Zošívanie obrázkov nie je taký neznámy pojem ako sa na prvý pohľad môže zdať. Určite každý bežný používateľ technológií sa už zozámil s pojmom panoramatický obrázok. V pozadí na zariadení sa prekrývajúce sa obrázky zošívajú a tým vzniká vysoko kvalitný obrázok. Na to aby tento proces fungoval, existujúce algorimy musia spoľahlivo a presne detekovať zaujímavé body, podľa ktorých sa dokáže obrázok správne umiesniť. V tejto práci budú predstavené tradičné metódy na zošívanie obrázkov a taktiež aj metódy s pomocou hlbokých neurónových sietí. Hlavné dva modely, ktoré budú opísane a použíté sú implementácie SuperPoint a SuperGlue. Implementácia bude adaptovaná na párovací systém pre viac ako dva obrázky. Ostatné experimenty, ktoré boli vyskúšané a dopomohli k pochopeniu tejto problematiky budú opísane a vyhodnotené.
|
|
|
Approximation of Sound Propagation by Neural Networks
Nguyen, Son Hai ; Bartl, Vojtěch (referee) ; Herout, Adam (advisor)
Za účelem nahrazení výpočtově náročných konvenčních numerických metod řešících diferenciální rovnice jsou neurální výpočty stále více prozkoumávány. Tato práce se zaměřuje na řešení časově nezávislé Helmholtzovi rovnice, která modeluje šíření ultrazvuku při transkraniální léčbě ultrazvukem. Při použití konvolučních neuronových sítí musí být data navzorkovaná na pravidelné mřížce, abychom odstranili dané omezení, navrhli jsme neurální výpočet založený na grafových neuronových sítích. Narozdíl od fyzikálně informovaných neuronových sítích (PINN) je potřeba náš model natrénovat pouze jednou, řešení pro množinu nových parametrů vyžaduje pouze dopředných chod. Model byl natrénovaný pomocí učení s učitelem, kde referenční data byly vypočítána pomocí konvenční metody k-Wave. Náš model má stabilní rozvinutí, přestože byl natrénovaný pouze s osmi iteracemi. Ačkoli byl model natrénovaný pouze na datech s jedním zdrojem vln, tak zvládne predikovat i vlnová pole s více zdroji i v mnohem větších výpočetních doménách. Náš model je schopen predikovat subpixelové body s větší přesností než lineární interpolace. Dále je naše řešení schopno predikovat vlnové pole i s podvzorkovaným Laplaciánem, kde jsou pouhé tři vzorky na jednu vlnovou délku. Nejsme si vědomi žádné existující metody fungující s takto řídkou diskretizací.
|
|
|
Application of Unsupervised Learning Methods in Graph Similarity Search
Sabo, Jozef ; Burgetová, Ivana (referee) ; Křivka, Zbyněk (advisor)
Goal of this master's thesis was in cooperation with the company Avast to design a system, which can extract knowledge from a database of graphs. Graphs, used for data mining, describe behaviour of computer systems and they are anonymously inserted into the company's database from systems of the company's products users. Each graph in the database can be assigned with one of two labels: clean or malware (malicious) graph. The task of the proposed self-learning system is to find clusters of graphs in the graph database, in which the classes of graphs do not mix. Graph clusters with only one class of graphs can be interpreted as different types of clean or malware graphs and they are a useful source of further analysis on the graphs. To evaluate the quality of the clusters, a custom metric, named as monochromaticity, was designed. The metric evaluates the quality of the clusters based on how much clean and malware graphs are mixed in the clusters. The best results of the metric were obtained when vector representations of graphs were created by a deep learning model (variational graph autoencoder with two relation graph convolution operators) and the parameterless method MeanShift was used for clustering over vectors.
|
|
|
Neural Networks for Automatic Equation Recognition
Halva, Vladislav ; Zemčík, Pavel (referee) ; Hradiš, Michal (advisor)
This thesis deals with automatic mathematical expressions recognition using deep neural networks. It contains an overview of existing approaches and focuses mainly on handwritten mathematical expressions and the use of graph neural networks. The core of the proposed system for handwritten mathematical expressions recognition is an encoder-decoder neural network model using graph neural networks to exploit the hierarchical structure of mathematical expressions. The designed system is evaluated on the CROHME dataset, which was published within the competition of the same name on mathematical expression recognition. The work also includes description of experiments performed with the designed model. The proposed solution achieves an exact expression recognition rate of 13.34% on the CROHME 2019 test dataset. The contribution of this work is mainly a method of using graph neural networks for mathematical expression recognition from images and their processing in the graph domain.
|
|
|
Emotion Recognition from Brain Electroencephalogram (EEG) Signals
Fritz, Karel ; Jawed, Soyiba (referee) ; Malik, Aamir Saeed (advisor)
Tato studie se zaměřuje na klasifikaci emocí z elektroencefalogramu (EEG). Kombinuje znalosti o fyziologii mozku (a emocí), s frekvenční analýzou, analýzou složitosti, zpracov- áním signálů a hlubokým strojovým učením (CNN, GNN). Cílem této práce je vytvořit model pro klasifikaci emocí a poskytnout nové náhledy do rozpoznávání emocí z EEG. Vytvořené modely stojí na principech CNN, GNN, multitask a self supervised tréninku. Jedním z výsledků bylo dosažení State of the Art výsledků na datasetu SEED. Proces porozumění této úloze sdílím na konci této práce.
|
|
|
Graph Neural Networks for Document Analysis
Patrik, Nikolas ; Španěl, Michal (referee) ; Hradiš, Michal (advisor)
V tejto práci sa zameriaveme na analýzu dokumentov pomocou grafových neuronových sietí. Na začiatok si predstavíme ako tieto grafove konvolučné siete fungujú a predstavíme si koncept na základe ktorého sa dajú naimplementovať. Ďalej rozoberieme súčasné riešenia ktoré sa zaoberajú semantickým označovaním entít v skenovaných dokumentoch, čo je aj cieľom tejto práce. Následne si predstavíme navrh riešenie ktoré by malo riešiť túto problematiku spolu s ďaľším problémom na ktorý sa chceme zamariať v tejto práci a tým je výber textových entít z dokumentov pomocou aktívneho učenia. Postupne si predstavíme ako bolo toto riešenie implementované a aké nástroje sme pritom použili. Pred koncom si predstavíme dataset ktorý sme annotovali pre vyhodnotenie a tréning našeho riešenia. Na záver si predstavíme výsledky tejto práce, porovnáme vysledky s ostatnými prístupmi ktoré sa zamerievajú na podobný problém a ešte vyhodnotíme ako náš model zvládol extrakciu informácii pomocou aktívneho učenia.
|
|
|
Machine Learning Methods for Web Documents
Katrňák, Josef ; Bartík, Vladimír (referee) ; Burget, Radek (advisor)
This work aims to use machine learning techniques for the classification of specific parts of web page content. First, current methods for representing and classifying web page content using machine learning methods are described. For web page representation, the thesis focuses on the experimental tool FitLayout, whose visual representation of web pages serves as input for further processing and subsequent training of machine learning models. The work results in trained models that classify specific parts of the web page content. The model architecture is based on graph neural networks. For the experiments, a dataset of publicly available websites containing pages of products sold online is used. The advantage of the proposed and implemented approach is information extraction independent of the structure and language of a web page.
|
|
|
Deep Learning for Image Stitching
Držíková, Diana Maxima ; Vaško, Marek (referee) ; Španěl, Michal (advisor)
Zošívanie obrázkov nie je taký neznámy pojem ako sa na prvý pohľad môže zdať. Určite každý bežný používateľ technológií sa už zozámil s pojmom panoramatický obrázok. V pozadí na zariadení sa prekrývajúce sa obrázky zošívajú a tým vzniká vysoko kvalitný obrázok. Na to aby tento proces fungoval, existujúce algorimy musia spoľahlivo a presne detekovať zaujímavé body, podľa ktorých sa dokáže obrázok správne umiesniť. V tejto práci budú predstavené tradičné metódy na zošívanie obrázkov a taktiež aj metódy s pomocou hlbokých neurónových sietí. Hlavné dva modely, ktoré budú opísane a použíté sú implementácie SuperPoint a SuperGlue. Implementácia bude adaptovaná na párovací systém pre viac ako dva obrázky. Ostatné experimenty, ktoré boli vyskúšané a dopomohli k pochopeniu tejto problematiky budú opísane a vyhodnotené.
|
|
|
Fingerprint Recognition with Graph Neural Networks
Pospíšil, Ondřej ; Špaňhel, Jakub (referee) ; Hradiš, Michal (advisor)
This thesis deals with the verification of fingerprints based on their graph representation. The proposed method uses a graph neural network and a combinatorial solver to obtain the matching between the minutae points of a pair of fingerprints. The matched minutae points are used to align the fingerprints using an estimated transformation by the RANSAC algorithm. The aligned fingerprints are processed by the SimGNN model. The resulting similarity score is then combined with the metrics obtained from the aligned fingerprints. The experiments summarize the selection of method parameters and the evaluation of fingerprint matching and verification accuracy. The contribution of this work is a new stable method of fingerprint alignment by solving the graph matching problem. The proposed verification method does not achieve high accuracy due to too few minutae attributes and poor discriminating power of the metrics used.
|
guest ::
