|
|
Poloautomatické pořízení rozsáhlé databáze ručně psaných znaků
Štěpánek, Ivo ; Juránek, Roman (oponent) ; Herout, Adam (vedoucí práce)
Tato práce se zabývá tvorbou databáze ručně psaných znaků dále využitelných pro rozpoznávání ručně psaného textu. V teoretické části práce je rozebrána problematika systémů pro rozpoznávání ručně psaného textu a datových sad pro něj využitelných. Praktická část se věnuje předzpracování vstupního dokumentu, segmentaci řádků a slov a následnému rozdělení slov na samostatné znaky. Tyto fáze mohou proběhnout zcela automaticky, ovšem je předpokládán vstup uživatele, který má možnost opravit výstup automatického zpracování. Dále se praktická část věnuje anotaci získaných znaků a vygenerování XML dokumentu s anotací a umístěním jednotlivých znaků ze vstupního text. U vytvořeného systému je vyhodnoceno jeho GUI a uspěšnost automatické segmentace.
|
|
|
Detekce logopedických vad v řeči
Pešek, Milan ; Smékal, Zdeněk (oponent) ; Atassi, Hicham (vedoucí práce)
Tato práce se zabývá návrhem a realizací softwarového nástroje pro detekci logopedických vad v řeči. Jelikož je třeba odhalit logopedické vady v řeči co nejdříve, je tento nástroj zaměřen na mluvčí dětského věku. Úvodem text popisuje teorii vytváření řeči, modelování vytváření řeči pro její číslicové zpracování, fonetiku, logopedii a základní logopedické vady v řeči. Dále jsou popsány použité metody pro extrakci příznaků, pro segmentaci slov na hlásky a pro klasifikaci příznaků do tříd vadné a správné výslovnosti. V závěru textu jsou uvedeny výsledky testování vybraných metod. K rozpoznání logopedických vad v řeči jsou použity algoritmy pro extrakci příznaků MFCC (Melovské kepstrální koeficienty) a PLP (Perceptivní lineární predikce). Segmentace slova na hlásky je provedena pomocí metody sledování rozdílnosti příznaků. Extrahované příznaky hlásky jsou klasifikovány do tříd vadné nebo správné výslovnosti jednou z testovaných metod rozpoznání vzoru. Pro klasifikaci příznaků jsou testovány metody k-NN (Algoritmus k-nejbližších sousedů), SVM (Algoritmy podpůrného učení), ANN (Umělé neuronové sítě) a GMM (Smíšené Gaussovy modely).
|
|
|
Poloautomatické pořízení rozsáhlé databáze ručně psaných znaků
Štěpánek, Ivo ; Juránek, Roman (oponent) ; Herout, Adam (vedoucí práce)
Tato práce se zabývá tvorbou databáze ručně psaných znaků dále využitelných pro rozpoznávání ručně psaného textu. V teoretické části práce je rozebrána problematika systémů pro rozpoznávání ručně psaného textu a datových sad pro něj využitelných. Praktická část se věnuje předzpracování vstupního dokumentu, segmentaci řádků a slov a následnému rozdělení slov na samostatné znaky. Tyto fáze mohou proběhnout zcela automaticky, ovšem je předpokládán vstup uživatele, který má možnost opravit výstup automatického zpracování. Dále se praktická část věnuje anotaci získaných znaků a vygenerování XML dokumentu s anotací a umístěním jednotlivých znaků ze vstupního text. U vytvořeného systému je vyhodnoceno jeho GUI a uspěšnost automatické segmentace.
|
|
|
Detekce logopedických vad v řeči
Pešek, Milan ; Smékal, Zdeněk (oponent) ; Atassi, Hicham (vedoucí práce)
Tato práce se zabývá návrhem a realizací softwarového nástroje pro detekci logopedických vad v řeči. Jelikož je třeba odhalit logopedické vady v řeči co nejdříve, je tento nástroj zaměřen na mluvčí dětského věku. Úvodem text popisuje teorii vytváření řeči, modelování vytváření řeči pro její číslicové zpracování, fonetiku, logopedii a základní logopedické vady v řeči. Dále jsou popsány použité metody pro extrakci příznaků, pro segmentaci slov na hlásky a pro klasifikaci příznaků do tříd vadné a správné výslovnosti. V závěru textu jsou uvedeny výsledky testování vybraných metod. K rozpoznání logopedických vad v řeči jsou použity algoritmy pro extrakci příznaků MFCC (Melovské kepstrální koeficienty) a PLP (Perceptivní lineární predikce). Segmentace slova na hlásky je provedena pomocí metody sledování rozdílnosti příznaků. Extrahované příznaky hlásky jsou klasifikovány do tříd vadné nebo správné výslovnosti jednou z testovaných metod rozpoznání vzoru. Pro klasifikaci příznaků jsou testovány metody k-NN (Algoritmus k-nejbližších sousedů), SVM (Algoritmy podpůrného učení), ANN (Umělé neuronové sítě) a GMM (Smíšené Gaussovy modely).
|
host ::
RSS.