|
|
Hluboké neuronové sítě pro analýzu 3D obrazových dat
Hlavoň, David ; Herout, Adam (oponent) ; Španěl, Michal (vedoucí práce)
Práce pojednává o využití plně konvolučních neuronových sítí pro segmentaci kostí z CT snímků. Typickým problémem při trénování na medicinských datech bývá omezená velikost trénovací sady. Experimenty ukázaly, že trénování na podoobrazech při omezeném počtu trénovacích dat dává lepší výsledky. Při trénování na podobrazech bylo dosaženo přesnosti segmentace 95,1%, což je o 30% více než při trénování na celých obrazech. Pro měření úspěšnosti segmentace byla zvolena metrika F-measure. Pro práci s konvolučními neuronovými sítěmi byl použit BVLC Caffe Framework.
|
|
|
Interaktivní webové aplikace pro podporu výuky 3D počítačové grafiky
Morávek, Jan ; Mokrý, Ondřej (oponent) ; Rajmic, Pavel (vedoucí práce)
Tato diplomová práce se zabývá počítačovou 3D grafikou a implementací výukových aplikací v jazyce JavaScript. Mezi probírané oblasti práce patří transformace objektů, Beziérovy pláty a role kamery ve scéně. V práci je popsán teoretický základ těchto oblastí a následně se práce věnuje vytvořeným výukovým aplikacím. Práce obsahuje detailní popis fungování a implementace vytvořených aplikací. V závěru práce jsou zmíněna možná rozšíření těchto aplikací.
|
|
|
Interaktivní webové aplikace pro podporu výuky 3D počítačové grafiky
Morávek, Jan ; Mokrý, Ondřej (oponent) ; Rajmic, Pavel (vedoucí práce)
Tato diplomová práce se zabývá počítačovou 3D grafikou a implementací výukových aplikací v jazyce JavaScript. Mezi probírané oblasti práce patří transformace objektů, Beziérovy pláty a role kamery ve scéně. V práci je popsán teoretický základ těchto oblastí a následně se práce věnuje vytvořeným výukovým aplikacím. Práce obsahuje detailní popis fungování a implementace vytvořených aplikací. V závěru práce jsou zmíněna možná rozšíření těchto aplikací.
|
|
|
Hluboké neuronové sítě pro analýzu 3D obrazových dat
Hlavoň, David ; Herout, Adam (oponent) ; Španěl, Michal (vedoucí práce)
Práce pojednává o využití plně konvolučních neuronových sítí pro segmentaci kostí z CT snímků. Typickým problémem při trénování na medicinských datech bývá omezená velikost trénovací sady. Experimenty ukázaly, že trénování na podoobrazech při omezeném počtu trénovacích dat dává lepší výsledky. Při trénování na podobrazech bylo dosaženo přesnosti segmentace 95,1%, což je o 30% více než při trénování na celých obrazech. Pro měření úspěšnosti segmentace byla zvolena metrika F-measure. Pro práci s konvolučními neuronovými sítěmi byl použit BVLC Caffe Framework.
|
host ::
RSS.