|
|
Detekce pohybujících se objektů ve videu s využitím neuronových sítí pomocí Android aplikace
Mikulec, Vojtěch ; Kiac, Martin (oponent) ; Myška, Vojtěch (vedoucí práce)
Tato diplomová práce se zabývá zrealizováním funkčního řešení problematiky klasifikace účastníků dopravního provozu pomocí mobilních zařízení s operačním systémem Android. Cílem je vytvořit Android aplikaci, která klasifikuje vozidla v reálném čase za použití zadní kamery a ukládá časové značky klasifikace. Testování probíhá převážně na vlastní, různě modifikované datové množině. Je natrénováno celkem pět modelů a změřeno zatížení hardwaru při použití každého z nich. Nejlepší přesnosti klasifikace dosahuje předtrénovaný model sítě MobileNet, který je dotrénován o 6 tříd – 62,33 %. Výsledky jsou shrnuty a v závěru je formulováno, jakým způsobem je možné rychleji a přesněji analyzovat dopravní data.
|
|
|
Vliv pozadí a velikosti databáze na trénování neuronových sítí pro klasifikaci obrazů
Mikulec, Vojtěch ; Kolařík, Martin (oponent) ; Rajnoha, Martin (vedoucí práce)
Tato bakalářská práce se zaobírá vlivem pozadí a velikosti databáze na trénování neuronových sítí pro klasifikaci obrazů. V práci jsou popsány techniky zpracování obrazů pomocí konvolučních neuronových sítí a vliv pozadí (šumu) a velikosti databáze na trénování. Práce navrhuje metody, se kterými lze dosáhnout rychlejšího a přesnějšího procesu trénování konvolučních neuronových sítí. Pro experimentování je vybrána binární klasifikace datové množiny označených tváří z různého prostředí, jejíž pozadí je pro každý experiment modifikováno nahrazením barvou nebo ořezáním. Velikost datové množiny je pro trénování konvolučních neuronových sítí klíčová, v této práci je experimentováno s velikostí trénovací množiny, což simuluje reálný problém s nedostatkem dat při trénování konvolučních neuronových sítí pro klasifikaci obrazů.
|
|
|
Využití konvolučních neuronových sítí pro predikci finančního selhání podniků
Šebestová, Monika ; Chramcov, Bronislav (oponent) ; Lenort, Radim (oponent) ; Režňáková, Mária (oponent) ; Dostál, Petr (vedoucí práce)
Dizertační práce se zabývá využitím konvolučních neuronových sítí pro predikci finančního selhání podniků. Při zpracování literární rešerše byla použita bibliometrická analýza, která umožnila lepší orientaci ve vědeckých pracích zaměřených na metody a přístupy využívané v minulosti pro predikci finančního selhání podniků. Na základě získaných poznatků byl navržen model hlubokého učení s architekturou GoogLeNet, jehož vstupy tvoří finanční a makroekonomické ukazatele podniků. Modelování bylo založeno na metodě transfer learning (přenosové učení), při které je možné doladit parametry předem vytvořených sítí a urychlit tak proces učení konvoluční neuronové sítě. Výchozí soubor finančních a makroekonomických ukazatelů byl sestaven z proměnných, které byly ve vědeckých pracích nejčastěji používány v modelech predikce selhání podniků. Pro konkrétní výběr ukazatelů, z nichž je model sestaven, byly použity vhodné statistické metody. Vzhledem k tomu, že konvoluční neuronové sítě pracují nejlépe se zpracováním obrazu, byly kvantitativní hodnoty vstupní ukazatelů graficky interpretovány a zkoumáno, který typ grafického zpracování je nejvhodnější pro predikci selhání firem. Z důvodu existence nevyváženého datového souboru byl v práci analyzován vliv metody SMOTE na přesnost predikce modelu. Metoda byla použita pro navýšení počtu vzorků minoritní třídy podniků. Při modelování predikce finančního selhání bylo navrženo a testováno několik variant modelů, které se lišily podobou vstupních dat. Bylo testováno, jakým způsobem ovlivní přesnost predikce odstranění odlehlých hodnot z datového souboru, časový okamžik, ze kterého data pocházejí nebo metoda výběru prediktorů. Na výsledném modelu byly dále doladěny parametry tak, aby byl schopen klasifikovat podniky z nových reálných dat. Z provedeného výzkumu vyplynulo, že s použitím správného typu grafického zpracování vstupních dat, techniky SMOTE a vhodným nastavením parametrů, dokáží konvoluční neuronové sítě s vysokou přesností předpovídat finanční selhání podniků.
|
|
|
Detekce pohybujících se objektů ve videu s využitím neuronových sítí pomocí Android aplikace
Mikulec, Vojtěch ; Kiac, Martin (oponent) ; Myška, Vojtěch (vedoucí práce)
Tato diplomová práce se zabývá zrealizováním funkčního řešení problematiky klasifikace účastníků dopravního provozu pomocí mobilních zařízení s operačním systémem Android. Cílem je vytvořit Android aplikaci, která klasifikuje vozidla v reálném čase za použití zadní kamery a ukládá časové značky klasifikace. Testování probíhá převážně na vlastní, různě modifikované datové množině. Je natrénováno celkem pět modelů a změřeno zatížení hardwaru při použití každého z nich. Nejlepší přesnosti klasifikace dosahuje předtrénovaný model sítě MobileNet, který je dotrénován o 6 tříd – 62,33 %. Výsledky jsou shrnuty a v závěru je formulováno, jakým způsobem je možné rychleji a přesněji analyzovat dopravní data.
|
|
|
Vliv pozadí a velikosti databáze na trénování neuronových sítí pro klasifikaci obrazů
Mikulec, Vojtěch ; Kolařík, Martin (oponent) ; Rajnoha, Martin (vedoucí práce)
Tato bakalářská práce se zaobírá vlivem pozadí a velikosti databáze na trénování neuronových sítí pro klasifikaci obrazů. V práci jsou popsány techniky zpracování obrazů pomocí konvolučních neuronových sítí a vliv pozadí (šumu) a velikosti databáze na trénování. Práce navrhuje metody, se kterými lze dosáhnout rychlejšího a přesnějšího procesu trénování konvolučních neuronových sítí. Pro experimentování je vybrána binární klasifikace datové množiny označených tváří z různého prostředí, jejíž pozadí je pro každý experiment modifikováno nahrazením barvou nebo ořezáním. Velikost datové množiny je pro trénování konvolučních neuronových sítí klíčová, v této práci je experimentováno s velikostí trénovací množiny, což simuluje reálný problém s nedostatkem dat při trénování konvolučních neuronových sítí pro klasifikaci obrazů.
|
host ::
RSS.