|
|
Inteligentní manipulace s laboratorními objekty pomocí robotu ABB YuMi
Nevřiva, Václav ; Parák, Roman (oponent) ; Matoušek, Radomil (vedoucí práce)
Cílem diplomové práce je návrh laboratorního stanoviště a řídícího programu obsluhovaného pomocí kaloborativního robota IRB 14000 YuMi s využitím integrované kamery efektoru k identifikaci laboratorních objektů a řízení průběhu úlohy. V úvodní části jsou stručně představeni kolaborativní roboti, detailněji je popsán IRB 14000, na kterém je úloha realizována, a vývojové prostředí RobotStudio spolu s nadstavbou IntegratedVision. Následující kapitoly popisují samotnou laboratorní úlohu, její řešení a testování navrženého programu.
|
|
|
Hluboké neuronové sítě pro analýzu medicínských obrazových dat
Bíl, Tomáš ; Kodym, Oldřich (oponent) ; Španěl, Michal (vedoucí práce)
Cílem této práce je vyvinout konvoluční neuronovou síť, která bude správně klasifikovat vhodnost rentgenových snímků pro účely kefalometrické analýzy. V rámci tohoto zadání byly vytvořeny 4 sítě, které byly natrénovány na datasetu. Jedná se 2 sítě typu VGG, jedna upravená síť UNet a jedna síť Resnet. Dataset byl vygenerován z ct snímků. Nejlepších výsledků dosáhla síť VGG se 4 bloky. Naměřená přesnost na testovacím datasetu je 97%.
|
|
|
Segmentace obrazu pomocí strojového učení
Matějek, Libor ; Frýza, Tomáš (oponent) ; Bravenec, Tomáš (vedoucí práce)
Tato práce se zabývá strojovým učením a jeho aplikací do oblasti segmentace obrazu a rozpoznávání objektů. V práci je popsána základní terminologie související se strojovým učením a dat, které s ním souvisí. Dále se zaměřuje na biologickou podstatu neuronu a jeho technologické aplikace. Jsou zde přiblíženy základní druhy neuronových sítí a pro zpracování obrazu stěžejní konvoluční neuronová síť. Práce také uvádí využívané architektury konvolučních neuronových sítí. Dále navazují metody předzpracování obrazu před konvoluční sítí R-CNN. Následně jsou rozebrány některé z datasetů vhodných pro rozpoznání obrazu. Implementace je pak realizována v jazyce Python s podporou frameworku PyTorch od Facebooku.
|
|
|
WaldBoost na GPU
Polok, Lukáš ; Mikolov, Tomáš (oponent) ; Hradiš, Michal (vedoucí práce)
Rozpoznání obrazu a strojové vidění obecně je spolu s rozmachem levné a výkonné výpočetní techniky rychle se rozvíjejícím odvětvím. Rozpoznání obrazu má mnoho různých aplikací v širokém spektru odvětví, od komunikace přes bezpečnost až po zábavu. Algoritmy pro rozpoznání obrazu se stále vyvíjejí a většinou jsou výpočetně poměrně náročné, proto se mnoho autorů zabývá jejich implementací na specializovaných hardwarových akcelerátorech. Tato práce se zabývá implementací rozpoznání obrazu metodou WaldBoost na platformě grafických akcelerátorů (GPU).
|
|
|
Podpora hry Sagrada na mobilním telefonu s OS Android
Trněný, Jan ; Švec, Tomáš (oponent) ; Smrž, Pavel (vedoucí práce)
Cílem této práce je vytvořit podpůrnou aplikaci k deskové hře Sagrada na mobilní zařízení s OS Android. Řešení se skládá z detekce a rozpoznání karty herního vzoru a kostek na hrací ploše za využití knihovny OpenCV. Následně je poskytnuta podpora, v průběhu a na závěr hry, pro výpočet bodů a kontrolu pravidel pro jednoho i více hráčů. Tyto funkce dovolují spravovat data více hráčů na jednom mobilním zařízení a pomáhají k rychlejší kontrole pravidel a výpočtu bodů. Funkce zároveň poskytují pomoc začínajícím hráčům k lepšímu pochopení hry.
|
|
|
Vícedimensionální jazykové modely a jejich aplikace ve vizuálním umění
Dohnal, Marek ; Tomko, Martin (oponent) ; Meduna, Alexandr (vedoucí práce)
Tato práce se zabývá aplikací formálních modelů, konkrétně čtyřcestných a celulárních dvou-dimenzionálních automatů, ve vizuálním umění. Je zde navržena sada nových modelů, které rozpoznávají vstupní mřížku sestávající z dlaždic, a následně ji modifikují a transformují. Navržené automaty jsou implementovány v rámci aplikace, která mřížku obarvuje a transformuje ve stylu sériového umění Victora Vasarelyho. Výsledek práce tvoří syntéza mřížky a barevné reference do videa, jež vizualizuje transformace navrženého celulárního automatu.
|
|
|
Segmentace obrazu pomocí strojového učení
Matějek, Libor ; Frýza, Tomáš (oponent) ; Bravenec, Tomáš (vedoucí práce)
Tato práce se zabývá strojovým učením a jeho aplikací do oblasti segmentace obrazu a rozpoznávání objektů. V práci je popsána základní terminologie související se strojovým učením a dat, které s ním souvisí. Dále se zaměřuje na biologickou podstatu neuronu a jeho technologické aplikace. Jsou zde přiblíženy základní druhy neuronových sítí a pro zpracování obrazu stěžejní konvoluční neuronová síť. Práce také uvádí využívané architektury konvolučních neuronových sítí. Dále navazují metody předzpracování obrazu před konvoluční sítí R-CNN. Následně jsou rozebrány některé z datasetů vhodných pro rozpoznání obrazu. Implementace je pak realizována v jazyce Python s podporou frameworku PyTorch od Facebooku.
|
|
|
Inteligentní manipulace s laboratorními objekty pomocí robotu ABB YuMi
Nevřiva, Václav ; Parák, Roman (oponent) ; Matoušek, Radomil (vedoucí práce)
Cílem diplomové práce je návrh laboratorního stanoviště a řídícího programu obsluhovaného pomocí kaloborativního robota IRB 14000 YuMi s využitím integrované kamery efektoru k identifikaci laboratorních objektů a řízení průběhu úlohy. V úvodní části jsou stručně představeni kolaborativní roboti, detailněji je popsán IRB 14000, na kterém je úloha realizována, a vývojové prostředí RobotStudio spolu s nadstavbou IntegratedVision. Následující kapitoly popisují samotnou laboratorní úlohu, její řešení a testování navrženého programu.
|
|
|
Podpora hry Sagrada na mobilním telefonu s OS Android
Trněný, Jan ; Švec, Tomáš (oponent) ; Smrž, Pavel (vedoucí práce)
Cílem této práce je vytvořit podpůrnou aplikaci k deskové hře Sagrada na mobilní zařízení s OS Android. Řešení se skládá z detekce a rozpoznání karty herního vzoru a kostek na hrací ploše za využití knihovny OpenCV. Následně je poskytnuta podpora, v průběhu a na závěr hry, pro výpočet bodů a kontrolu pravidel pro jednoho i více hráčů. Tyto funkce dovolují spravovat data více hráčů na jednom mobilním zařízení a pomáhají k rychlejší kontrole pravidel a výpočtu bodů. Funkce zároveň poskytují pomoc začínajícím hráčům k lepšímu pochopení hry.
|
|
|
Hluboké neuronové sítě pro analýzu medicínských obrazových dat
Bíl, Tomáš ; Kodym, Oldřich (oponent) ; Španěl, Michal (vedoucí práce)
Cílem této práce je vyvinout konvoluční neuronovou síť, která bude správně klasifikovat vhodnost rentgenových snímků pro účely kefalometrické analýzy. V rámci tohoto zadání byly vytvořeny 4 sítě, které byly natrénovány na datasetu. Jedná se 2 sítě typu VGG, jedna upravená síť UNet a jedna síť Resnet. Dataset byl vygenerován z ct snímků. Nejlepších výsledků dosáhla síť VGG se 4 bloky. Naměřená přesnost na testovacím datasetu je 97%.
|
host ::
RSS.