|
|
Image Super-Resolution Using Deep Learning
Mojžiš, Tomáš ; Beran, Vítězslav (oponent) ; Španěl, Michal (vedoucí práce)
The aim of this thesis is to create a deep neural net capable of super-resolution on images acquired by electron microscopes. The thesis consists of two parts - finding appropriate data and creating a dataset for the super-resolution task and designing a neural net architecture capable of solving the super-resolution task. Within the thesis, two datasets comprised of images acquired by electron microscopes were created. The datasets differ in the approach to data augmentation. They allow to train a neural network which fulfills the super-resolution task. To solve this task, two U-Net based and one GAN based architecture were trained. The resolution of images was upscaled by a factor of two and four. The best artificially upscaled images were created by neural network Real-ESRGAN. The values of metrics were not higher than the tested interpolation method, but the images seem more visually pleasing especially when they were upscaled four times. Thanks to this thesis, two datasets were created allowing to train other possible neural network architectures to improve the quality of the artificially upscaled images. The neural networks trained in this thesis can be utilized in the process of acquiring higher quality data from low resolution electron microscope images.
|
|
|
Rozpoznání hranic jízdního pruhu v záběrech palubní kamery
Fridrich, David ; Kohút, Jan (oponent) ; Herout, Adam (vedoucí práce)
Tato práce se zabývá detekcí jizdních pruhů. Konkrétně vlastního generátoru syntetických dat, jeho využití při trénování neuronových sítí, testování výsledků na konvoluční neuronové síti (CNN) modelu UNet a možnosti rozšíření tohoto modelu na SALMNet model (Structure-Aware Lane Marking Detection Network) pomocí přidání SGCA modulu (Semantic-Guided Channel Attention) a pyramidového modulu PDC (Pyramid deformable convolution). Výsledky trénování syntetických dat ukazují že síť umí rozpoznávat silniční pruhy velmi dobře, s přesností kolem 95\,\% (na jednodušších obrázcích dosahuje i 99\,\%). Nad reálným datasetem se výsledky lišily pro jednotlivé datasety, TuSimple dosahoval větší přesnosti kvůli menší obtížnosti obrázků, a sice kolem 62\,\%. Datová sada CuLane dosahovala pouze kolem 37\,\% velmi nestabilně.
|
|
|
Analýza deforestace krajiny s využitím satelitních snímků
Javorka, Martin ; Španěl, Michal (oponent) ; Beran, Vítězslav (vedoucí práce)
Dnes je dolezite chranit lesne zdroje a sledovat odlesnovanie je nevyhnutne. Dialkove sni- manie Zeme ma v tomto monitorovacom usili dolezitu ulohu. Tato praca sa zaobera styrmi roznymi technikami zistovania odlesnovania zo satelitnych snimok - pomocou optickych aj radarovych dat. Su opisane specifika dat pri dialkovom snimani Zeme a geopriestorove analyzy. Analyticke techniky sa pouzivaju na zistovanie odlesnovania v studijnej oblasti Chocske vrchy. Segmentacia obrazu pomocou modelu neuronovej siete Unet sa pouziva na klasifikaciu vsetkych odlesnenych uzemi.
|
|
|
Image segmentation methods with limited data sets
Horečný, Peter ; Kolařík, Martin (oponent) ; Burget, Radim (vedoucí práce)
The goal of this thesis was to propose an image segmentation method, which is capable of effective segmentation process with small datasets. Recently published ODE neural network was used for this method, because its features should provide better generalization in case of tasks with only small datasets available. The proposed ODE-UNet network was created by combining UNet architecture with ODE neural network, while using benefits of both networks. ODE-UNet reached following results on ISBI dataset: Rand: 0,950272 and Info: 0,978061. These results are better than the ones received from UNet model, which was also tested in this thesis, but it has been proven that state of the art can not be outperformed using ODE neural networks. However, the advantages of ODE neural network over tested UNet architecture and other methods were confirmed, and there is still a room for improvement by extending this method.
|
|
|
Metody hlubokého učení pro segmentaci cév a optického disku v oftalmologických sekvencích
Rozhoňová, Andrea ; Odstrčilík, Jan (oponent) ; Hesko, Branislav (vedoucí práce)
Cílem následující diplomové práce bylo studium problematiky segmentace optického disku a cév sítnice v oftalmologických sekvencích. Teoretická část práce shrnuje principy různých přístupů z oblasti hlubokého učení, které se v souvislosti s danou problematikou využívají. Na základě teoretické části jsou navrženy metody pro segmentaci optického disku a pro segmentaci cév sítnice založené na konvolučních neuronových sítích Linknet, PSPNet, Unet a MaskRCNN. Popisem jejich implementace a následným zhodnocením se zabývá praktická část diplomové práce.
|
|
|
Detekce a lokalizace mikrobiálních kolonií pomocí algoritmů hlubokého učení
Čičatka, Michal ; Vičar, Tomáš (oponent) ; Mézl, Martin (vedoucí práce)
Díky masivnímu rozšíření hmotnostní spektrometrie a neustálému zdražování lidské práce se v současné době nabízí otázka optimalizace přípravy mikrobiálních vzorků. Tato diplomová práce se věnuje návrhu a implementaci algoritmu strojového učení pro segmentaci obrazů mikrobiálních kolonií kultivovaných na Petriho miskách. Algoritmus bude použit v ovládacím software přístroje MBT Pathfinder společnosti Bruker s. r. o., jehož úkolem je automatizace procesu roztěru mikrobiálních vzorků na MALDI destičky. V rámci práce bylo implementováno několik modelů segmentačních neuronových sítí na bázi architektur UNet, UNet++ a ENet. Na základě množství experimentů zkoumajících různé konfigurace sítí a předzpracování trénovacího datasetu byl pro použití v produkčním prostředí vybrán model ENet s čtyřnásobným množstvím filtrů a přidaným konvolučním blokem enkodéru trénovaný na datasetu obrazů misek s aplikovanou kruhovou maskou.
|
|
|
Intracranial aneurysm detection in TOF-MRI data
Vývoda, Jan ; Vičar, Tomáš (oponent) ; Jakubíček, Roman (vedoucí práce)
The thesis contains a theoretical review of information about intracranial aneurysms, their diagnosis and therapy. It also summarizes the methods of object detection by both classical and machine learning methods and includes a brief description of some methods of intracranial aneurysm detection. In the practical part, several proposed approaches for segmentation and detection of these aneurysms using U-net neural network are evaluated and compared.
|
|
|
Analysis of ultra-high frequency ECG using deep learning
Koščová, Zuzana ; Antin, Christoph Hoog (oponent) ; Plešinger, Filip (vedoucí práce)
Ultra-high-frequency ECG (UHF-ECG) analysis provides information about electrical ventricular dyssynchrony. Additionally, real-time UHF-ECG analysis enables direct optimization of the pacing electrode during pacemaker implantation. In this master thesis, we describe ventricular conduction abnormalities, the current method for UHF-ECG analysis and most importantly, we have developed several deep learning models to find out which steps of UHF-ECG analysis can be replaced by deep learning. Data used for the development and validation of the models come from 2 private hospitals (FNUSA-ICRC hospital, Brno, Czechia, and FNKV hospital Prague, Czechia) and from 3 publicly available datasets. First, we present two deep learning methods for QRS complex detection and QRS complex duration estimation in one inference step. We received an overall F1-score of 98.84 ± 0.51 \% for the detection task and a Mean Absolute Error (MAE) of 12.25 ± 2.16 ms for the QRS duration estimation task. This method enhances UHF-ECG analysis performance and therefore could significantly reduce measurement time. Furthermore, a regression model for pacing stimuli removal based on a conditional generative adversarial network was developed. The results were evaluated based on the correlation of 15 averaged high-frequency envelopes in the QRS complex region between the model output and the target signal. The results show a higher correlation on spontaneous than on paced data and a drop in correlation with the increasing frequency band. Last, two deep learning models with convolutional neural network (CNN) were created to estimate ventricular electrical dyssynchrony (VED). Specifically, one-dimensional (1D) and 2-dimensional (2D) CNN. The MAE between our solution and annotation is 12.61 ±18.95 ms and 12.27 ±17.73 ms for 1D and 2D CNN, respectively. MAE on spontaneous data is approximately 5 ms lower than on paced data for both models, indicating the need to remove the pacing stimuli. These deep learning models yield a reduction in the pre-processing pipeline while delivering output in a single inference step. For the QRS detection and QRS duration estimation model, the performance improvement over the current solution is evident and these steps of UHF-ECG analysis could be replaced by deep learning. However, for the removal of pacing stimuli and VED parameter estimation, it is required to improve the performance.
|
|
|
Image Super-Resolution Using Deep Learning
Mojžiš, Tomáš ; Beran, Vítězslav (oponent) ; Španěl, Michal (vedoucí práce)
The aim of this thesis is to create a deep neural net capable of super-resolution on images acquired by electron microscopes. The thesis consists of two parts - finding appropriate data and creating a dataset for the super-resolution task and designing a neural net architecture capable of solving the super-resolution task. Within the thesis, two datasets comprised of images acquired by electron microscopes were created. The datasets differ in the approach to data augmentation. They allow to train a neural network which fulfills the super-resolution task. To solve this task, two U-Net based and one GAN based architecture were trained. The resolution of images was upscaled by a factor of two and four. The best artificially upscaled images were created by neural network Real-ESRGAN. The values of metrics were not higher than the tested interpolation method, but the images seem more visually pleasing especially when they were upscaled four times. Thanks to this thesis, two datasets were created allowing to train other possible neural network architectures to improve the quality of the artificially upscaled images. The neural networks trained in this thesis can be utilized in the process of acquiring higher quality data from low resolution electron microscope images.
|
|
|
Rozpoznání hranic jízdního pruhu v záběrech palubní kamery
Fridrich, David ; Kohút, Jan (oponent) ; Herout, Adam (vedoucí práce)
Tato práce se zabývá detekcí jizdních pruhů. Konkrétně vlastního generátoru syntetických dat, jeho využití při trénování neuronových sítí, testování výsledků na konvoluční neuronové síti (CNN) modelu UNet a možnosti rozšíření tohoto modelu na SALMNet model (Structure-Aware Lane Marking Detection Network) pomocí přidání SGCA modulu (Semantic-Guided Channel Attention) a pyramidového modulu PDC (Pyramid deformable convolution). Výsledky trénování syntetických dat ukazují že síť umí rozpoznávat silniční pruhy velmi dobře, s přesností kolem 95\,\% (na jednodušších obrázcích dosahuje i 99\,\%). Nad reálným datasetem se výsledky lišily pro jednotlivé datasety, TuSimple dosahoval větší přesnosti kvůli menší obtížnosti obrázků, a sice kolem 62\,\%. Datová sada CuLane dosahovala pouze kolem 37\,\% velmi nestabilně.
|
host ::
RSS.