|
Rychlost učení vícevrstvé sítě
Maceček, Aleš ; Zámečník, Dušan (oponent) ; Jirsík, Václav (vedoucí práce)
Teoretický rozbor umělých neuronových sítí, zvláště jejich typů topologií a učení sítí. Zvláštní zaměření je na vícevrstvou neuronovou síť s učením backpropagation. Uvedený algoritmus učení backpropagation jednoduché sítě společně s popisem parametrů ovlivňujících učení sítě a také metody zhodnocení kvality naučení sítě. Definice momentů invariantních na otočení, posun a změnu měřítka. Optimalizace parametrů neuronové sítě k nalezení nejrychleji učící se neuronové sítě, a také sítě s nejlepší hodnotou rozpoznání vzorů písmen z testovací množiny.
|
|
Umělá neuronová síť RCE
Maceček, Aleš ; Klusáček, Jan (oponent) ; Jirsík, Václav (vedoucí práce)
Práce se zabývá umělou neuronovou sítí RCE, zvláště popisem topologie, vlastností a algoritmem učení sítě. Práce obsahuje popis vytvořeného programu uTeachRCE pro učení RCE sítě a programu RCEin3D, vytvořeného pro vizualizaci procesu učení RCE sítě ve 3D prostoru. RCE síť je srovnávána s vícevrstvou umělou neuronovou sítí s algoritmem učení backpropagation při praktické aplikaci rozpoznávání písmen. Pro popis písmen byly zvoleny momenty invariantní na otočení, posun a změnu měřítka obrazu.
|
|
Advanced Moment-Based Methods for Image Analysis
Höschl, Cyril ; Flusser, Jan (vedoucí práce) ; Papakostas, George (oponent) ; Jiřík, Radovan (oponent)
Tato disertace rozvíjí pokročilé metody analýzy obrazu založené na obrazových momentech. Zaměřujeme se především na návrh rychlých algoritmů pro počítání momentů v 2D i 3D a vytvoření nových příznaků, které jsou tolerantní ke Gaussovskému rozmazání, resp. zašumění obrazu. Práce se skládá z úvodu do problematiky a čtyř článků. První článek poskytuje přehledovou studii o metodách obdélníkové dekompozice binárních obrázků v 2D; rozklady mj. urychlují počítání momentů. Součástí studie jsou i implemetnace algoritmů vč. optimálního, který existuje v 2D v polynomiální složitosti a je prakticky dosažitelný. Druhý článek se soustředí na dekompozici 3D binárních objektů do kvádrů. Na rozdíl od 2D je v 3D otázka optimálního rozkladu NP-úplný problém a není známo, že by existoval efektivní způsob jeho řešení. V článku navrhujeme nový sub-optimální algoritmus, který pracuje v polynomiálním čase a na experimentální databázi ukazujeme, že dává statisticky významně lepší výsledky, než nejlepší známé heuristiky. Další dva články se soustřeďují na příznaky invariantní ke Gaussovskému rozmazání a zašumění obrazu. Třetí článek představuje invarianty založené na projekčních operátorech ve Fourierově doméně, což zvyšuje především jejich rozlišovací schopnost. Poslední článek představuje robustní příznaky histogramu obrázku....
|
|
Advanced Moment-Based Methods for Image Analysis
Höschl, Cyril ; Flusser, Jan (vedoucí práce) ; Papakostas, George (oponent) ; Jiřík, Radovan (oponent)
Tato disertace rozvíjí pokročilé metody analýzy obrazu založené na obrazových momentech. Zaměřujeme se především na návrh rychlých algoritmů pro počítání momentů v 2D i 3D a vytvoření nových příznaků, které jsou tolerantní ke Gaussovskému rozmazání, resp. zašumění obrazu. Práce se skládá z úvodu do problematiky a čtyř článků. První článek poskytuje přehledovou studii o metodách obdélníkové dekompozice binárních obrázků v 2D; rozklady mj. urychlují počítání momentů. Součástí studie jsou i implemetnace algoritmů vč. optimálního, který existuje v 2D v polynomiální složitosti a je prakticky dosažitelný. Druhý článek se soustředí na dekompozici 3D binárních objektů do kvádrů. Na rozdíl od 2D je v 3D otázka optimálního rozkladu NP-úplný problém a není známo, že by existoval efektivní způsob jeho řešení. V článku navrhujeme nový sub-optimální algoritmus, který pracuje v polynomiálním čase a na experimentální databázi ukazujeme, že dává statisticky významně lepší výsledky, než nejlepší známé heuristiky. Další dva články se soustřeďují na příznaky invariantní ke Gaussovskému rozmazání a zašumění obrazu. Třetí článek představuje invarianty založené na projekčních operátorech ve Fourierově doméně, což zvyšuje především jejich rozlišovací schopnost. Poslední článek představuje robustní příznaky histogramu obrázku....
|
|
Rychlost učení vícevrstvé sítě
Maceček, Aleš ; Zámečník, Dušan (oponent) ; Jirsík, Václav (vedoucí práce)
Teoretický rozbor umělých neuronových sítí, zvláště jejich typů topologií a učení sítí. Zvláštní zaměření je na vícevrstvou neuronovou síť s učením backpropagation. Uvedený algoritmus učení backpropagation jednoduché sítě společně s popisem parametrů ovlivňujících učení sítě a také metody zhodnocení kvality naučení sítě. Definice momentů invariantních na otočení, posun a změnu měřítka. Optimalizace parametrů neuronové sítě k nalezení nejrychleji učící se neuronové sítě, a také sítě s nejlepší hodnotou rozpoznání vzorů písmen z testovací množiny.
|
|
Umělá neuronová síť RCE
Maceček, Aleš ; Klusáček, Jan (oponent) ; Jirsík, Václav (vedoucí práce)
Práce se zabývá umělou neuronovou sítí RCE, zvláště popisem topologie, vlastností a algoritmem učení sítě. Práce obsahuje popis vytvořeného programu uTeachRCE pro učení RCE sítě a programu RCEin3D, vytvořeného pro vizualizaci procesu učení RCE sítě ve 3D prostoru. RCE síť je srovnávána s vícevrstvou umělou neuronovou sítí s algoritmem učení backpropagation při praktické aplikaci rozpoznávání písmen. Pro popis písmen byly zvoleny momenty invariantní na otočení, posun a změnu měřítka obrazu.
|