|
|
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.
|
|
|
Detekce vad s využitím smart kamery
Hons, Viktor ; Boštík, Ondřej (oponent) ; Honec, Peter (vedoucí práce)
.Tato diplomová práce se zabývá využitím inteligentních (smart) kamer a ověřením jejich funkcí. V první části je definován pojem inteligentní kamera, jsou představeny její jednotlivé části a nejběžnější aplikace. Dále je zpracována rešerše trhu s inteligentními kamerami od různých výrobců. Po výběru vhodného modelu kamery jsou určeny tři úlohy z reálné průmyslové aplikace - kontrola potisku kondenzátoru, kontrola potisku pivních etiket a měření rozměrů. S vybranou kamerou je provedeno řešení úloh včetně rozvržení pracoviště, scény a osvětlení. Dále je otestována spolehlivost, úspěšnost a také rychlost vytvořeného řešení.
|
|
|
Deep Networks for Handwriting Recognition
Richtarik, Lukáš ; Herout, Adam (oponent) ; Hradiš, Michal (vedoucí práce)
The work deals with the issue of handrwritten text recognition problem with deep neural networks. It focuses on the use of sequence to sequence method using encoder-decoder model. It also includes design of encoder-decoder model for handwritten text recognition using a transformer instead of recurrent neurons and a set of experiments that were performed on it.
|
|
|
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.
|
|
|
Mobilní aplikace pro hráčskou podporu ve hře Pokemon Go
Pihrt, Patrik ; Kočí, Radek (oponent) ; Hrubý, Martin (vedoucí práce)
Pokémon Go je jedna z nejúspěšnějších mobilních herních aplikací na světě. Hra je podporována platformami Android a iOS. Tato bakalářská práce se zaměřuje hlavně na získávání potřebných dat pro výpočty ze snímků Pokémonů ze hry. Snímky jsou vkládány do aplikace a výstupem jsou data informující hráče o individuálních hodnotách jeho Pokémonů. Všechny vyhodnocené informace jsou ukládány a je možné k nim kdykoliv znovu přistupovat. Dále hráčům předává informace, které se často mění.
|
|
|
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%.
|
|
|
Mobilní tlumočník pro Android
Homola, Vladimír ; Maršík, Lukáš (oponent) ; Beran, Vítězslav (vedoucí práce)
Tato bakalářská práce pojednává o vývoji aplikace Mobilní tlumočník, přičemž se zaměřuje na návrh vhodného uživatelského rozhraní. Cílem je vytvořit aplikaci s takovým rozhraním, se kterým budou uživatele schopni pracovat efektivně a s radostí. První část práce obsahuje shrnutí poznatků získaných studiem této problematiky. Po definování budoucího uživatele a řešeného problému je zde popsán návrh systému a jeho rozhraní následovaný popisem implementace a uživatelských testů.
|
|
|
Využití neanotovaných dat pro trénování OCR
Buchal, Petr ; Dobeš, Petr (oponent) ; Hradiš, Michal (vedoucí práce)
Vytvoření kvalitního systému rozpoznání textu (OCR) vyžaduje velké množství anotovaných dat. Získání, potažmo vytvoření anotací je nákladný proces. Tato práce se zabývá několika způsoby efektivního využití neanotovaných dat pro trénování OCR neuronové sítě. Navržené metody využívající neanotovaná data spadají do kategorie self-training algoritmů. Obecný postup navržených metod se dá sumarizovat tak, že nejprve je na omezeném množství anotovaných dat natrénován počáteční model neuronové sítě. Ten je následně spolu s jazykovým modelem použit k vygenerování pseudo-štítků neanotovaných dat. Takto strojově anotovaná data jsou zkombinována s trénovacími daty, která byla použita k vytvoření počátečního modelu a následně jsou využita k natrénování cílového modelu. Úspěšnost jednotlivých metod je měřena na ručně psaném ICFHR 2014 Bentham datasetu. Experimenty byly provedeny na dvou datových sadách, které reprezentují různou míru dostupnosti anotovaných dat. Nejlepší model trénovaný na malé datové sadě dosahuje 3.70 CER [%], což je relativní zlepšení o 42 % oproti počátečnímu modelu trénovanému pouze na anotovaných datech a nejlepší model trénovaný na velké datové sadě dosahuje 1.90 CER [%], což je relativní zlepšení o 26 % oproti počátečnímu modelu. Za pomocí navržených metod lze efektivně zvýšit úspěšnost OCR s využitím neanotovaných dat.
|
host ::
RSS.