|
Hodnocení neurčitosti predikcí neuronových sítí v úlohách klasifikace, detekce a segmentace
Vlasák, Jiří ; Kohút, Jan (oponent) ; Herout, Adam (vedoucí práce)
Tato práce se zaměřuje na porovnání tří široce používaných metod pro zlepšení odhadů neurčitosti: hlubokých ansámlů, monte carlo dropout a temperature scaling. Tyto metody jsou aplikovány na šest modelů pro počítačové vidění, mezi nimiž jsou předtrénované modely i modely trénované od nuly. Tyto modely jsou hodnoceny na datasetech počítačového vidění pro úlohy klasifikace, sémantické segmentace a detekce objektů, při použití široké škály metrik. Modely jsou rovněž evaluovány na transformovaných datasetech, kvůli jejich ohodnocení na datech mimo trénovací distribuci. Tyto modifikované modely dosahují slibných výsledků. Ansámbly překonávají ostatní modely až o 70 % v přesnosti a o 0.2 v IOU na transformovaném segmentačním datasetu MedSeg COVID-19 a zároveň překonávají ostatní modely na datasetech CIFAR-100 a FMNIST.
|
| |
|
Kalibrace mikrosimulačního modelu dopravy
Pokorný, Pavel ; Minařík, Miloš (oponent) ; Korček, Pavol (vedoucí práce)
Práce se zabývá problematikou mikroskopické simulace dopravy. Součástí práce je návrh a implementace mikrosimulačního modelu, který je založen na celulárním automatu a vychází z modelu Nagel-Schreckenberg. Model podporuje kalibraci genetickým algoritmem. Práce obsahuje výsledky simulací s nastavením modelu, které bylo nalezeno při kalibraci.
|
| |
|
Hodnocení neurčitosti predikcí neuronových sítí v úlohách klasifikace, detekce a segmentace
Vlasák, Jiří ; Kohút, Jan (oponent) ; Herout, Adam (vedoucí práce)
Tato práce se zaměřuje na porovnání tří široce používaných metod pro zlepšení odhadů neurčitosti: hlubokých ansámlů, monte carlo dropout a temperature scaling. Tyto metody jsou aplikovány na šest modelů pro počítačové vidění, mezi nimiž jsou předtrénované modely i modely trénované od nuly. Tyto modely jsou hodnoceny na datasetech počítačového vidění pro úlohy klasifikace, sémantické segmentace a detekce objektů, při použití široké škály metrik. Modely jsou rovněž evaluovány na transformovaných datasetech, kvůli jejich ohodnocení na datech mimo trénovací distribuci. Tyto modifikované modely dosahují slibných výsledků. Ansámbly překonávají ostatní modely až o 70 % v přesnosti a o 0.2 v IOU na transformovaném segmentačním datasetu MedSeg COVID-19 a zároveň překonávají ostatní modely na datasetech CIFAR-100 a FMNIST.
|
| |
| |
|
Kalibrace mikrosimulačního modelu dopravy
Pokorný, Pavel ; Minařík, Miloš (oponent) ; Korček, Pavol (vedoucí práce)
Práce se zabývá problematikou mikroskopické simulace dopravy. Součástí práce je návrh a implementace mikrosimulačního modelu, který je založen na celulárním automatu a vychází z modelu Nagel-Schreckenberg. Model podporuje kalibraci genetickým algoritmem. Práce obsahuje výsledky simulací s nastavením modelu, které bylo nalezeno při kalibraci.
|