|
|
Mobilní systém pro rozpoznání textu na Androidu
Tomešek, Jan ; Kolář, Martin (oponent) ; Zemčík, Pavel (vedoucí práce)
Tato práce se zabývá tvorbou mobilní knihovny pro předzpracování obrazu s textem, která představuje součást systému pro rozpoznávání textu. Knihovna je realizována s důrazem na obecnost použití, efektivitu a přenositelnost. V rámci práce byla vytvořena knihovna, která poskytuje řadu algoritmů především pro hodnocení kvality obrazu a detekci textu, jež umožňují výrazně snížit objem přenášených dat a zrychlit a zpřesnit proces rozpoznávání. Vytvořena byla také příkladová aplikace pro platformu Android, která dokáže analyzovat složení potravin uváděné na jejich obalech. Celkově tak knihovna (systém) zjednodušuje tvorbu mobilních aplikací se zaměřením na extrakci a analýzu textu. Mobilní aplikace pak poskytuje pohodlný způsob ověření škodlivosti potravin. Čtenáři práce nabízí přehled současných řešení i nástrojů dostupných v této oblasti, poskytuje rozbor významných algoritmů předzpracování obrazu a provádí jej budováním knihovny a aplikace pro mobilní zařízení.
|
|
| |
|
|
Rozpoznávač psaného textu pro mobilní telefony
Talaš, Vladimír ; Chalupníček, Kamil (oponent) ; Schwarz, Petr (vedoucí práce)
Cílem projektu bylo vytvoření aplikace pro mobilní telefon, která by umožnila pomocí zabudovaného fotoaparátu telefonu vyfotografovat snímek v němž by nalezla a rozpoznala text. Tento text by následně bylo možno odeslat v textové zprávě. Aplikace je založena na implementaci algoritmů pro rozpoznávání textu z fotografií. Zejména se bude jednat o metody založené na skrytých Markovových modelech. Důraz je kladen na trénování modelu s cílem maximalizovat úspěšnost při rozpoznávání textu. Jsou prováděny experimenty s parametry modelu, díky čemuž se podařilo dosáhnout více jak 97% úspěšnosti při rozpoznávání textu.
|
|
|
Rozpoznávání ručně psaného písma
Jelínek, Radek ; Žák, Jakub (oponent) ; Zbořil, František (vedoucí práce)
Práce se zabývá rozpoznáváním ručně psaného písma a jeho převod do digitální podoby. Rozpoznávání je zaměřeno na rozpoznávání českých písmen a zjištění úspěšnosti při nevyužití slovníku u rozpoznávání slov. V dokumentu je uvedeno porovnání s komerčními aplikacemi.
|
|
|
Social Network Analysis using methods of pattern recognition
Križan, Viliam ; Burget, Radim (oponent) ; Atassi, Hicham (vedoucí práce)
The diploma thesis deals with emotion recognition from texts on social media. The state-of-the-art methods of feature extraction, corpora and classifiers are described in the first section. Emotions are recognized by a classifier trained on annotated data from the microblog network Twitter. The advantage of using Twitter was the possibility to specify data collection to a certain geographical location. Geographical data allows to monitor emotional variations of population, for e.g. in different cities. The first task was to propose and develop a Baseline algorithm which classifies data to emotional classes. The classification accuracy is improved by employing a more complex SVM classifier. SVM classifiers, feature vectorizers and feature selectors are used from the Scikit library, which is written in Python. The data for classifier training were collected from the USA by the own developed mining application. The classifier are trained on data automatically annotated in the collection process. Two implementations of SVM classifiers are used. Final classified emotions that appear in different cities and in different time intervals are displayed as color markers on a map.
|
|
|
Rozpoznávání textu s využitím informace o pisateli
Trněný, Matěj ; Kišš, Martin (oponent) ; Kohút, Jan (vedoucí práce)
Cílem práce je vytvořit neuronovou síť pro rozpoznání textu s využitím informace o pisateli. Pro tento účel byla vybrána metoda adversarial learning. Účinost teto metody byla ověřena experimentálně. Vytvořená síť by měla díky použité metodě adversarial learning dosahovat lepších výsledků na datech, která nejsou podobná datům obsaženým v trénovací sadě oproti stávající metodě single-task learning. Výsledná síť dosažená pomocí uvedené metody byla porovnána se současnou metodou rozpoznávání textu metodou single-task learning a multi-task learning. Síť implementující single-task learning dosahuje průměrné chyby při rozpoznávání znaku 7, 995%, síť implementující multi-task learning dosahuje průměrné chyby 7, 565% v porovnání se sítí využívající adversarial learning, která dosahuje úspěšnosti 7, 573%. V porovnání single-task learning dosahuje multi-task learning 5, 38% zlepšení a adversarial learning 5, 28%.
|
|
|
Adaptace neuronových sítí na cílového pisatele
Sekula, Jakub ; Hradiš, Michal (oponent) ; Kohút, Jan (vedoucí práce)
Tato bakalářská práce se zabývá adaptací neuronových sítí na pisatele s cílem zlepšení rozpoznání ručně psaného písma tohoto pisatele. Metoda, kterou používám, je rychlá, vyžaduje malou trénovací množinu dat a využívá regularizaci, která se snaží udržet distribuci regularizovaných vah adaptační sítě podobnou té z předadaptační sítě. Tuto metodu jsem testoval nad datasetem tištěných textů IMPACT a datasetem ručně psaných textů. Nad datasetem ručně psaných textů se mi na dvou denících podařilo snížit chybovost z počátečních 10,82 % a 1,82 % na chybovost 8,48 % a 0,77 % v rámci malého počtu adaptačních iterací a připoužití malého množství trénovacích řádků. Na datasetu IMPACT se mi podařilo snížit chybovost nad polské historické písmo z počáteční chybovosti 32,88 % na 5,30 %.
|
|
|
Řešitel sudoku pro Android
Hrbas, Vojtěch ; Herout, Adam (oponent) ; Páldy, Alexander (vedoucí práce)
Tato práce se zabývá řešením hry Sudoku pořízené pomocí kamery mobilního zařízení se systémem Android. Probírá možnosti zpracování obrazu, možnosti rozpoznávání textu v obraze a princip a řešení hry Sudoku. Zkoumá také již existující aplikace pro Android řešící Sudoku. Dále navrhuje vlastní aplikaci pro řešení Sudoku a shrnuje dosažené výsledky testování aplikace z hlediska výkonu a uživatelů.
|
|
|
Metody využívané pro OCR
Čermák, Marek ; Marada, Tomáš (oponent) ; Zuth, Daniel (vedoucí práce)
Ačkoli je OCR (Optické rozpoznávání znaků – Optical Character Recognition) problematikou sahající do druhé poloviny dvacátého století, dostalo se mu v současnosti velké pozornosti v souvislosti s počítačovým viděním a detekcí objektů. V této práci bude popsána historie OCR a stručně budou zmíněny techniky doposud používané pro OCR. Pozornost bude soustředěna na současné metody rozpoznávání textu, tedy na soft computing. Protože v této oblasti zastávají největší roli neuronové sítě, budou zmíněny a popsány některé architektury a následně bude realizován software pro rozpoznávání alfanumerických znaků pomocí konvoluční neuronové sítě.
|
|
|
Rozpoznávání textu v obraze
Suchý, Václav ; Kršek, Přemysl (oponent) ; Španěl, Michal (vedoucí práce)
Tato práce se zabývá problematikou rozpoznávání textu v obraze. Rozebírá metody rozpoznávání, jejich úspěchy, klady a zápory. Popisuje postup při návrhu a implementaci jednoduchého ukázkového programu pro rozpoznávání strojově tištěného textu s využitím neuronových sítí.
|
host ::
RSS.