|
|
Metody pořízení a zpracování obrazů založené na řídkých reprezentacích
Talár, Ondřej ; Mach, Václav (oponent) ; Rajmic, Pavel (vedoucí práce)
Práce se zabývá rekonstrukčními možnostmi, které poskytuje řídká reprezentace signálů. Tato reprezentace zmenšuje signál na pouhý vektor prvků, které ukazují na části signálu ve slovníkové matici. Je nastíněna problematika s kvantovaným signálem a připomenuty druhy modulací, při kterých dochází ke kvantizaci a její způsoby. K řešení je zvolen algoritmus Douglas-Rachford, který nám umožňuje přibližovat se postupně k množině všech přijatelných řešení. Na konci je předvedeno řešení problému a několik testů pro ukázku funkce vytvořeného programu.
|
|
|
Redukce šumu audionahrávek pomocí hlubokých neuronových sítí
Talár, Ondřej ; Galáž, Zoltán (oponent) ; Harár, Pavol (vedoucí práce)
Práce se zabývá možností použití hluboké rekurentní neuronové sítě typu Long Short-Term Memory pro robustní odšumování zarušeného signálu. LSTM je v současnosti velice lákavá architektura díky své vlastnosti pamatovat si předchozí váhy, a nebo je upravovat nejen dle použitých algoritmů, ale také zkoumáním změn v sousedních buňkách. V práci je popsán výběr výchozího datasetu a použitých šumů spolu s vytvořením optimálních testovacích dat. Pro trénování sítě je zvolen framework KERAS pro jazyk Python. Jsou prozkoumány a popsány kandidátní sítě pro možné řešení, následně je provedeno několik experimentů pro zjištění skutečného chování neuronové sítě.
|
|
|
Aplikace řídkých reprezentací dat
Navrátilová, Barbora ; Veselý, Vítězslav (oponent) ; Rajmic, Pavel (vedoucí práce)
Cílem této práce je přiblížení problematiky řídké reprezentace dat a ukázka praktických aplikací v oblasti zpracování řídkého signálu. K řešení bylo použito metod z oblasti konvexní optimalizace. Byla řešena úloha odstranění šumu, dekvantizace a dekompozice řídkého signálu. Úlohy byly implementovány v prostředí MATLAB. K jednotlivým úlohám byly vytvořeny programy pro jednorozměrný a dvourozměrný signál.
|
|
|
Redukce obrazového šumu s využitím vlnkové transformace
Holiš, Michal ; Přinosil, Jiří (oponent) ; Malý, Jan (vedoucí práce)
Tato bakalářská práce obsahuje teoretické pojednání o šumech vyskytujících se v digitálních obrazových datech, jejich klasifikaci a možnosti odstranění. V další části je věnována teorii vlnek, vlnkové transformací a jejím využití v práci s jednorozměrnými, ale především dvourozměrnými signály. Hlavně pak s obrazovými daty se zaměřením na odstraňování poruch v těchto datech přítomných. Poslední částí práce je implementace demonstračního programu. Program je vytvořen tak, že na základě uživatelsky zvolených proměnných provede odstranění šumu ze zvolených obrazových dat.
|
|
|
Redukce šumu audionahrávek pomocí hlubokých neuronových sítí
Talár, Ondřej ; Galáž, Zoltán (oponent) ; Harár, Pavol (vedoucí práce)
Práce se zabývá možností použití hluboké rekurentní neuronové sítě typu Long Short-Term Memory pro robustní odšumování zarušeného signálu. LSTM je v současnosti velice lákavá architektura díky své vlastnosti pamatovat si předchozí váhy, a nebo je upravovat nejen dle použitých algoritmů, ale také zkoumáním změn v sousedních buňkách. V práci je popsán výběr výchozího datasetu a použitých šumů spolu s vytvořením optimálních testovacích dat. Pro trénování sítě je zvolen framework KERAS pro jazyk Python a jsou prozkoumány a popsány kandidátní sítě pro možné řešení.
|
|
|
Regularization techniques based on the least squares method
Kubínová, Marie ; Hnětynková, Iveta (vedoucí práce)
Název práce: Regularizační metody založené na metodách nejmenších čtverců Autor: Marie Michenková Katedra: Katedra numerické matematiky Vedoucí diplomové práce: RNDr. Iveta Hnětynková, Ph.D. Abstrakt: V této práci se zabýváme lineárními inverzními problémy Ax ≈ b, kde A je zhlazující lineární opearátor a b reprezentuje vektor pozorování zatížený neznámým šumem. V práci [Hnětynková, Plešinger, Strakoš, 2009] bylo ukázáno, že vysokofrekvenční šum se během Golubovy-Kahanovy iterační bidiagonalizace vyjevuje v levých bidiagonalizačních vektorech. V práci navrhujeme metodu, která identifikuje iteraci s maximálním vyjevením šumu a redukuje vysokofrekvenční šum odečtením příslušného (škálovaného) bidiagonalizačního vektoru od vektoru b. Tato metoda je následně testována pro různé typy šumu. Dále Hnětynková, Plešinger a Strakoš odvodili metodu k odhadování hladiny šumu v datech. V práci navrhujeme modifikaci této metody založenou na znalosti bodu maximalního vyjevení šumu. Klíčová slova: ill-posed problémy, regularizace, Golubova-Kahanova iterační bidiagonalizace, vyjevení šumu, odhad šumu, odšumování 1
|
|
|
Redukce šumu audionahrávek pomocí hlubokých neuronových sítí
Talár, Ondřej ; Galáž, Zoltán (oponent) ; Harár, Pavol (vedoucí práce)
Práce se zabývá možností použití hluboké rekurentní neuronové sítě typu Long Short-Term Memory pro robustní odšumování zarušeného signálu. LSTM je v současnosti velice lákavá architektura díky své vlastnosti pamatovat si předchozí váhy, a nebo je upravovat nejen dle použitých algoritmů, ale také zkoumáním změn v sousedních buňkách. V práci je popsán výběr výchozího datasetu a použitých šumů spolu s vytvořením optimálních testovacích dat. Pro trénování sítě je zvolen framework KERAS pro jazyk Python. Jsou prozkoumány a popsány kandidátní sítě pro možné řešení, následně je provedeno několik experimentů pro zjištění skutečného chování neuronové sítě.
|
|
|
Regularization techniques based on the least squares method
Kubínová, Marie ; Hnětynková, Iveta (vedoucí práce)
Název práce: Regularizační metody založené na metodách nejmenších čtverců Autor: Marie Michenková Katedra: Katedra numerické matematiky Vedoucí diplomové práce: RNDr. Iveta Hnětynková, Ph.D. Abstrakt: V této práci se zabýváme lineárními inverzními problémy Ax ≈ b, kde A je zhlazující lineární opearátor a b reprezentuje vektor pozorování zatížený neznámým šumem. V práci [Hnětynková, Plešinger, Strakoš, 2009] bylo ukázáno, že vysokofrekvenční šum se během Golubovy-Kahanovy iterační bidiagonalizace vyjevuje v levých bidiagonalizačních vektorech. V práci navrhujeme metodu, která identifikuje iteraci s maximálním vyjevením šumu a redukuje vysokofrekvenční šum odečtením příslušného (škálovaného) bidiagonalizačního vektoru od vektoru b. Tato metoda je následně testována pro různé typy šumu. Dále Hnětynková, Plešinger a Strakoš odvodili metodu k odhadování hladiny šumu v datech. V práci navrhujeme modifikaci této metody založenou na znalosti bodu maximalního vyjevení šumu. Klíčová slova: ill-posed problémy, regularizace, Golubova-Kahanova iterační bidiagonalizace, vyjevení šumu, odhad šumu, odšumování 1
|
|
|
Regularizační metody založené na metodách nejmenších čtverců
Michenková, Marie ; Hnětynková, Iveta (vedoucí práce) ; Zítko, Jan (oponent)
Název práce: Regularizační metody založené na metodách nejmenších čtverců Autor: Marie Michenková Katedra: Katedra numerické matematiky Vedoucí diplomové práce: RNDr. Iveta Hnětynková, Ph.D. Abstrakt: V této práci se zabýváme lineárními inverzními problémy Ax ≈ b, kde A je zhlazující lineární opearátor a b reprezentuje vektor pozorování zatížený neznámým šumem. V práci [Hnětynková, Plešinger, Strakoš, 2009] bylo ukázáno, že vysokofrekvenční šum se během Golubovy-Kahanovy iterační bidiagonalizace vyjevuje v levých bidiagonalizačních vektorech. V práci navrhujeme metodu, která identifikuje iteraci s maximálním vyjevením šumu a redukuje vysokofrekvenční šum odečtením příslušného (škálovaného) bidiagonalizačního vektoru od vektoru b. Tato metoda je následně testována pro různé typy šumu. Dále Hnětynková, Plešinger a Strakoš odvodili metodu k odhadování hladiny šumu v datech. V práci navrhujeme modifikaci této metody založenou na znalosti bodu maximalního vyjevení šumu. Klíčová slova: ill-posed problémy, regularizace, Golubova-Kahanova iterační bidiagonalizace, vyjevení šumu, odhad šumu, odšumování 1
|
|
|
Redukce šumu audionahrávek pomocí hlubokých neuronových sítí
Talár, Ondřej ; Galáž, Zoltán (oponent) ; Harár, Pavol (vedoucí práce)
Práce se zabývá možností použití hluboké rekurentní neuronové sítě typu Long Short-Term Memory pro robustní odšumování zarušeného signálu. LSTM je v současnosti velice lákavá architektura díky své vlastnosti pamatovat si předchozí váhy, a nebo je upravovat nejen dle použitých algoritmů, ale také zkoumáním změn v sousedních buňkách. V práci je popsán výběr výchozího datasetu a použitých šumů spolu s vytvořením optimálních testovacích dat. Pro trénování sítě je zvolen framework KERAS pro jazyk Python a jsou prozkoumány a popsány kandidátní sítě pro možné řešení.
|
host ::
RSS.