|
|
Hluboké neuronové sítě: implementace pro vestavěné systémy
Matěj, Aleš ; Šimek, Václav (oponent) ; Mrázek, Vojtěch (vedoucí práce)
Cílem této práce je první navrhnout a implementovat aplikaci pro vestavěné systémy rea-lizující konvoluční neuronovou síť jenž klasifikuje čísla MNIST, ve druhé části pak optima-lizovat paměťové a energetické nároky této sítě. Práce v teoretické části popisuje základyneuronových sítí a výpočetní platformy Cortex-M pro vestavěné systémy. Následuje popisimplementace, síť je první vytvořena a naučena pomocí knihovny Theano v Pythonu naPC a poté je převedena do C pro vývojovou desku STM32F429 Discovery, kde je následnéoptimalizována. Optimalizace je zaměřena na konvoluci, skalární součin a formát uloženívah a biasů sítě.
|
|
|
Vyhledávání fotografií v databázi podle příkladu
Dobrotka, Matúš ; Hradiš, Michal (oponent) ; Veľas, Martin (vedoucí práce)
Táto práce se zabývá vyhledáváním fotografií v databázi podle příkladu. Práce byla vytvo\-ře\-na s cílem vyvinout aplikaci, která bude porovnávat různé přístupy vyhledávání fotografií v databázi. Jedná se o základní přístup, který spočívá v detekci klíčových bodů, extrakci lokálních příznaků a tvorbě vizuálního slovníku algoritmem shlukování - k-means. Pomocí vizuálního slovníku je spočítán histogram četnosti výskytu vizuálních slov - Bag of Words (BoW), který reprezentuje fotografii jako celek. Po aplikování vhodné metriky dojde k vyhledání podobných fotografií. Druhý přístup představují hluboké konvoluční neuronové sítě (DCNN), které jsou využity k extrakci příznakových vektorů. Tyto vektory jsou použity na tvorbu vizuálního slovníku, který slouží opět k výpočtu BoW. Postup je pak podobný jako v prvním přístupu. Třetí přístup počítá s extrahovanými vektory z DCNN jako s BoW vektory. Následuje aplikace vhodné metriky a vyhledání podobných fotografií. V závěru práce jsou popsány použity přístupy, uvedeny experimenty a závěrečné vyhodnocení.
|
|
|
Differentiable Depth Estimation for Bin Picking
Černý, Marek ; Klusáček, David (vedoucí práce) ; Šikudová, Elena (oponent)
Tato práce zkoumá možnosti rekonstrukce povrchu pro bin picking pomocí neuronových sítí. Při zkoumání článků z 2014-2018 se ukázalo, že stávající metody nejsou použitelné. Proto jsme vytvořili vlastní nízkourovnový přístup nazvaný EmfNet. Sít používá pyramidové zjemnování rozlišení, kde se na každé urovni pyramidy výpoctu úcastní tři oddělené sítě s jasne definovaným učelem, coz umožnuje témer kompletní pochopení fungování sítě. Model EmfNet byl již částecně použitelný, ale byl rozšířen na EmfNet-v2. Jednak dostal novou meřící vrstvu, aby nezávisel na zbytečném hyperparametru, hlavne ale bylo využito geometrických omezení k tomu, aby sit nemátly okluze (případy, kdy je určitá část povrchu vidět jen z jedné kamery). Obě sítě jsme implementovali a testovali na vlastnim korpusu jak renderovaných tak realných dat. Process párování korespondencí uvnitř sítě lze sledovat po- mocí vizualizace. Navrhli jsme způsob, jak využít robotickou ruku a SMF software k tomu, abychom relativně rychle získali potřebne mnozství dat pro natrénování modelu. Zatím nejlepší model zvládne zrekonstruovat 80% povrchu s chybou menší než 2 mm za čas pod 1 sekundu. 1
|
|
|
Differentiable Depth Estimation for Bin Picking
Černý, Marek ; Klusáček, David (vedoucí práce) ; Šikudová, Elena (oponent)
Tato práce zkoumá možnosti rekonstrukce povrchu pro bin picking pomocí neuronových sítí. Při zkoumání článků z 2014-2018 se ukázalo, že stávající metody nejsou použitelné. Proto jsme vytvořili vlastní nízkourovnový přístup nazvaný EmfNet. Sít používá pyramidové zjemnování rozlišení, kde se na každé urovni pyramidy výpoctu úcastní tři oddělené sítě s jasne definovaným učelem, coz umožnuje témer kompletní pochopení fungování sítě. Model EmfNet byl již částecně použitelný, ale byl rozšířen na EmfNet-v2. Jednak dostal novou meřící vrstvu, aby nezávisel na zbytečném hyperparametru, hlavne ale bylo využito geometrických omezení k tomu, aby sit nemátly okluze (případy, kdy je určitá část povrchu vidět jen z jedné kamery). Obě sítě jsme implementovali a testovali na vlastnim korpusu jak renderovaných tak realných dat. Process párování korespondencí uvnitř sítě lze sledovat po- mocí vizualizace. Navrhli jsme způsob, jak využít robotickou ruku a SMF software k tomu, abychom relativně rychle získali potřebne mnozství dat pro natrénování modelu. Zatím nejlepší model zvládne zrekonstruovat 80% povrchu s chybou menší než 2 mm za čas pod 1 sekundu. 1
|
|
|
Hluboké neuronové sítě: implementace pro vestavěné systémy
Matěj, Aleš ; Šimek, Václav (oponent) ; Mrázek, Vojtěch (vedoucí práce)
Cílem této práce je první navrhnout a implementovat aplikaci pro vestavěné systémy rea-lizující konvoluční neuronovou síť jenž klasifikuje čísla MNIST, ve druhé části pak optima-lizovat paměťové a energetické nároky této sítě. Práce v teoretické části popisuje základyneuronových sítí a výpočetní platformy Cortex-M pro vestavěné systémy. Následuje popisimplementace, síť je první vytvořena a naučena pomocí knihovny Theano v Pythonu naPC a poté je převedena do C pro vývojovou desku STM32F429 Discovery, kde je následnéoptimalizována. Optimalizace je zaměřena na konvoluci, skalární součin a formát uloženívah a biasů sítě.
|
|
|
Vyhledávání fotografií v databázi podle příkladu
Dobrotka, Matúš ; Hradiš, Michal (oponent) ; Veľas, Martin (vedoucí práce)
Táto práce se zabývá vyhledáváním fotografií v databázi podle příkladu. Práce byla vytvo\-ře\-na s cílem vyvinout aplikaci, která bude porovnávat různé přístupy vyhledávání fotografií v databázi. Jedná se o základní přístup, který spočívá v detekci klíčových bodů, extrakci lokálních příznaků a tvorbě vizuálního slovníku algoritmem shlukování - k-means. Pomocí vizuálního slovníku je spočítán histogram četnosti výskytu vizuálních slov - Bag of Words (BoW), který reprezentuje fotografii jako celek. Po aplikování vhodné metriky dojde k vyhledání podobných fotografií. Druhý přístup představují hluboké konvoluční neuronové sítě (DCNN), které jsou využity k extrakci příznakových vektorů. Tyto vektory jsou použity na tvorbu vizuálního slovníku, který slouží opět k výpočtu BoW. Postup je pak podobný jako v prvním přístupu. Třetí přístup počítá s extrahovanými vektory z DCNN jako s BoW vektory. Následuje aplikace vhodné metriky a vyhledání podobných fotografií. V závěru práce jsou popsány použity přístupy, uvedeny experimenty a závěrečné vyhodnocení.
|
host ::
RSS.