Used filters (1)  Zrušit všechna omezení
Number of found documents: 501964
Published from to

Sofware pro analýzu signálů a inteligentní detekci událostí v optických senzorových sítích
Boháč Leoš; Gleb Petrovichev; Pošík Petr
2020 -
Tato diplomová práce se věnuje navržení systému pro sběr signálových dat ze senzorů v optických sítích, detekci v signálovém průběhu anomálií a jejich klasifikaci s možností případného spuštění určité akce. Budou prodiskutovány možností uplatnění tohoto postupu v praxi v různých oblastech. V rámci práce se projednají různé metodiky využívané pro klasifikaci signálů a zvuků. Budou porovnané a vyhodnocené možné architektonické návrhy systému představené v podobě 4+1 pohledů a implementuje se funkční prototyp klasifikátoru. Na tomto prototypu se vyzkouší různé přístupy z oblasti strojového učení a neuronových sítí a provede se experiment s rozdělením vstupního signálu na několik frekvenčních pásem. Část práce tvoří diskuze o nutnosti transformace vstupních dat před jejich odesláním na vstup klasifikátorů a implementují se několik transformátorů. V závěru se uvedou možností pro navázání na práci a rozšíření tématu.This master's thesis focuses on designing a system for collecting signal data from sensors in optical networks, anomaly detection in a waveform, and their classification with an option of conditional action execution. Ways of applying this technique in practice in different fields are discussed. Various methodologies used for signal and sound classification are considered. Few possible architectures for the system in question are presented with the 4+1 views method, then compared and evaluated. Then a functional prototype of the classifier is implemented. This prototype is used to try different approaches in machine learning and neural networks domain, and the experiment with separation of an input signal into multiple frequency bands is conducted with its help. Part of the thesis is comprised of a discussion about the necessity of applying certain transformations to classifier's input data. Some of those transformers are implemented. In the thesis conclusion, ways of continuing and extending the topic of this thesis are presented. Keywords: neuronové sítě; klasifikace; optické sítě; signál; tensorflow; python; strojové učení; neural networks; classification; optical networks; signal; tensorflow; python; machine learning Available in digital repository of ČVUT.
Sofware pro analýzu signálů a inteligentní detekci událostí v optických senzorových sítích

Tato diplomová práce se věnuje navržení systému pro sběr signálových dat ze senzorů v optických sítích, detekci v signálovém průběhu anomálií a jejich klasifikaci s možností případného spuštění určité ...

Boháč Leoš; Gleb Petrovichev; Pošík Petr
České vysoké učení technické v Praze, 2020

Rozvrhování výpočtů inference neuronových sítí na vestavném hardware
Sojka Michal; Eldar Iosip; Pošík Petr
2020 -
Cílem této práce je prozkoumat state- of-the-art způsoby detekce objektů po- mocí konvolučních neuronových sítí, využívaných v oblasti autonomního řízení. Proto aby běh na vestavěných systémech byl dostatečně optimalizo- ván, je nutné rozumět struktuře sítě a způsobu, jak se provádí její výpočet pomocí konkrétní knihovny. Hlavním cílem této práce je porovnat něko- lik dostupných knihoven pro oblast strojového učení a popsat nezdokumen- tovanou vnitřní architekturu knihovny TensorFlow, aby bylo možné na základě těchto znalostí upravovat vykonávané části kódu za účelem lepšího rozvrho- vání jednotlivých procesů. Aby bylo možné porovnávat výsledky budoucích optimalizací na cílové platformě NVI- DIA Jetson Tegra X2, je představen jednoduchý benchmark a je popsán postup, jak vyčítat spotřebu energie a tepelný profil čipů na desce.This thesis aims to examine the state-of-the-art solution of using con- volutional neural networks to address the problem of object detection, during the autonomous driving. The effective execution of these solutions involves an in-depth understanding of used frame- work architectures. The main goal of the thesis is to compare several ma- chine learning frameworks and provide a comprehensive description of the nondocumented internal architecture of the TensorFlow machine learning framework to allow future researches to introduce modifications regarding scheduling mechanisms. To properly evaluate future modifications on the target platform NVIDIA Tegra X2, the thesis introduces the benchmark and provides an instruction how to read power consumption and temperature of board components. Keywords: neuronové sítě; inference; tensorflow; edge computing; jetson tx2; vestavěné systémy; yolov3; neural networks; embedded systems; inference; tensorflow; yolov3; edge computing; jetson tx2 Available in digital repository of ČVUT.
Rozvrhování výpočtů inference neuronových sítí na vestavném hardware

Cílem této práce je prozkoumat state- of-the-art způsoby detekce objektů po- mocí konvolučních neuronových sítí, využívaných v oblasti autonomního řízení. Proto aby běh na vestavěných systémech byl ...

Sojka Michal; Eldar Iosip; Pošík Petr
České vysoké učení technické v Praze, 2020

Nákup produktů pomocí Google Assistant
Havryluk Michal; Michal Klusák; Frajták Karel
2020 -
Tato diplomová práce se zabývá vytvořením akce (Google Action) pro virtuálního asistenta Google Assistant umožňující uživateli nákup produktů. Nejprve jsem provedl porovnání možností asistentů Google Assistant, Alexa a Siri, dále rešerši konkurence v oblasti nakupování hlasem (voice shopping) a nakonec analyzoval doménu opakovaných nákupů, cílovou platformu a možná bezpečností rizika. Tyto analýzy jsem využil ke sběru požadavků a pro návrh toku konverzace a struktury ukládání dat produktů. Na základě návrhů jsem implementoval Dialogflow agenta pro zpracování pokynů uživatele v přirozeném jazyce a webovou aplikaci, která se stará o vykonání příslušné logiky, včetně práce s daty produktů a uživatele. Celé toto řešení jsem podrobil uživatelským testům třemi nezávislými uživateli.This diploma thesis shows the creation of an action (Google Action) for a virtual assistant Google Assistant enabling the user to purchase products. At first I compared the capabilities of Google Assistant, Alexa and Siri, then I performed a search for competition in voice shopping, and finally analyzed the domain of repeat purchases, target platform and possibly security risks. I used these analyzes for requirement gathering and to design the conversation flow and product storage structure. Based on the design, I implemented the Dialogflow Agent for processing user instructions in natural language and a web application that takes care of the relevant logic, including work with product and user data. This whole solution was tested by three independent users. Keywords: Google Assistant; akce; Google Action; virtuální asistent; hlasový asistent; Amazon Alexa; Apple Siri; nakupování produktů; nakupování hlasem; opakované nákupy; Dialogflow; Dialogflow agent; Spring Boot; zpracování přirozeného jazyka; Google Actions; Google Home; chytrý reproduktor; chytré zařízení; Kotlin; Google Assistant; action; Google Action; virtual assistant; voice assistant; Amazon Alexa; Apple Siri; shopping; voice shopping; repeat purchases; Dialogflow; Dialogflow Agent; Spring Boot; Natural language processing; Google Actions; Google Home; smart speaker; smart device; Kotlin Available in digital repository of ČVUT.
Nákup produktů pomocí Google Assistant

Tato diplomová práce se zabývá vytvořením akce (Google Action) pro virtuálního asistenta Google Assistant umožňující uživateli nákup produktů. Nejprve jsem provedl porovnání možností asistentů Google ...

Havryluk Michal; Michal Klusák; Frajták Karel
České vysoké učení technické v Praze, 2020

Syntéza lidské tváře pro rozšíření trénovací množiny
Franc Vojtěch; Matěj Nikl; Urban Martin
2020 -
Pro trénování konvoluční neuronové sítě (CNN) pro odhad věku z obrázků tváří je potřeba velké množství trénovacích dat. Protože volně dostupné datové sady mají určité věkové kategorie nedostatečně zastoupené, konvoluční sítě se je nemohou naučit odhadovat dostatečně dobře. Jedním z řešení tohoto problému by mohla být naše metoda pro syntézu nových obrázků tváří -- nových identit. Nové příklady tvoří kombinováním vzhledu a tvaru několika částí kompatibilních tváří. Vzhledem k tomu, že takovéto části vždy pochází z tváří stejného věku a pohlaví, vytvořená syntetická tvář si tyto atributy zachovává. Naši metodu hodnotíme pomocí konvoluční neuronové sítě a na datasetu MORPH. Pomocí hrubé síly se pak pokoušíme najít nejvhodnější hyper-parametry naší metody. Následně sledujeme hodnoty několika metrik konvoluční sítě trénované a vyhodnocované v různých podmínkách.Naneštěstí se nám nedaří pozorovat významné zlepšení, zapříčiněné naší metodou. Naší hypotézou je, že konvoluční neuronové sítě se v úloze odhadování věku naučí ignorovat korelace mezi částmi obličejů. Z toho důvodu syntetické příklady získané permutací částí tváří z již přítomných trénovacích dat nezlepšují konvoluční síti schopnost zobecňovat na nové identity.Training a Convolutional Neural Network (CNN) for the task of age prediction from face images requires large amounts of training data. As the freely available datasets are underrepresented for certain age categories, the CNNs cannot learn to recognize them well enough. We propose a solution to this problem by introducing a method for synthesis of new face images -- of virtual identities. It creates new examples by merging appearance and shape of several compatible face parts together. Since the face parts always come from faces of the same age and gender, the synthetic example retains these attributes. We evaluate our method using a CNN and on the MORPH dataset. We try to find the best hyper-parameters of our method by performing an exhaustive search. Then, we train and evaluate the CNN in various settings, while measuring its performance using several metrics. Sadly, we observe no significant improvement using our augmentation method. We hypothesize that CNNs are able to learn themselves that the correlation between face parts can be safely ignored for the age recognition task. Hence synthetic examples obtained by permutation of face parts already contained in the training data do not improve generalization of the CNN. Keywords: rozšíření datové množiny; syntéza tváře; odhad věku; CNN; poisson image editing; dataset augmentation; face synthesis; age prediction; CNN; poisson image editing Available in digital repository of ČVUT.
Syntéza lidské tváře pro rozšíření trénovací množiny

Pro trénování konvoluční neuronové sítě (CNN) pro odhad věku z obrázků tváří je potřeba velké množství trénovacích dat. Protože volně dostupné datové sady mají určité věkové kategorie nedostatečně ...

Franc Vojtěch; Matěj Nikl; Urban Martin
České vysoké učení technické v Praze, 2020

Limitations of Reinforcement Learning Algorithms in Imperfect Information Games
Lisý Viliam; Jakub Koubele; Gavenčiak Tomáš
2020 -
Tato práce zkoumá vlastnosti algoritmů posilovaného učení aplikovaných ve hrách s neúplnou informací. Hry s neúplnou informací jsou složitější než ostatní prostředí v nichž jsou algoritmy posilovaného učení běžně využívány, a vlastnosti konvergence těchto algoritmů ve hrách s neúplnou informací nejsou známé. V práci jsme analyzovali teoretické vlastnosti dvou algoritmů posilovaného učení aplikovaných na maticové hry, a empiricky jsme vyhodnotili jejich využitelnost. Také jsme vyhodnotili empirické vlastnosti dvou algoritmů posilovaného učení aplikované na hru s neúplnou informací v extenzivní formě.This thesis examines the properties of reinforcement learning algorithms used in games with imperfect information. The imperfect information games are more complex than other settings in which the reinforcement learning algorithms are commonly used, and the convergence properties of reinforcement learning algorithms in imperfect information games are not understood well. We examined the theoretical properties of two single-state reinforcement learning algorithms in a self-play of matrix games and evaluated their practical performance. We also evaluated the performance of two reinforcement learning algorithms in an extensive-form game with imperfect information. Keywords: posilované učení; hry s neúplnou informací; minimalizace regretu; reinforcement learning; imperfect information games; regret minimization Available in digital repository of ČVUT.
Limitations of Reinforcement Learning Algorithms in Imperfect Information Games

Tato práce zkoumá vlastnosti algoritmů posilovaného učení aplikovaných ve hrách s neúplnou informací. Hry s neúplnou informací jsou složitější než ostatní prostředí v nichž jsou algoritmy posilovaného ...

Lisý Viliam; Jakub Koubele; Gavenčiak Tomáš
České vysoké učení technické v Praze, 2020

Učení přechodových funkcí v klasickém plánování pomocí hlubokých neuronových sítí
Komenda Antonín; Michaela Urbanovská; Shleyfman Alexander
2020 -
V současné době existují dva silné směry v oblasti umělé inteligence, a to strojové učení a symbolická umělá inteligence. V nedávné době se objevilo několik pokusů o propojení těchto dvou vědeckých směrů. Konkrétně spojením hlubokého učení a klasického plánování. Hluboké učení poskytuje silné nástroje pro získávání znalostí z velkého množství dat, zatímco klasické plánování poskytuje algoritmy pro obecné řešení problémů. Tyto směry se tedy přirozeně doplňují a jejich kombinace je krokem k vytvoření autonomní umělé inteligence. V této práci jsme vytvořili techniku kombinování klasického plánování a hlubokého učení. Docílili jsme toho nahrazením klíčových částí plánovacích algoritmů řešeními, která jsou založena na paradigmatu hlubokého učení. Dále jsme ukázali experimentální evaluaci, která porovnává implementované metody s postupy, které se běžně používají v klasickém plánování.There are currently two strong research directions in the area of artificial intelligence (AI), namely, machine learning and symbolic AI. Recently, there have been several attempts to bridge these two research directions. Namely, we focus on the connections between deep learning and classical planning. Deep learning provides strong techniques for extracting information from large datasets, while classical planning provides algorithms for general problem solving. Complementarity of these two techniques is therefore natural, and combining these two approaches is a step towards autonomously learning intelligent machines. In this work, we implement a technique combining classical planning and deep learning. Namely, we replace key parts of planning algorithms by solutions devised based on the deep learning paradigm. We provide experimental evaluation to compare the implemented techniques with methods used in classical planning. Keywords: Klasické plánování; hluboké učení; přechodová funkce; heuristická funkce; Classical planning; deep learning; transition function; heuristic function Available in digital repository of ČVUT.
Učení přechodových funkcí v klasickém plánování pomocí hlubokých neuronových sítí

V současné době existují dva silné směry v oblasti umělé inteligence, a to strojové učení a symbolická umělá inteligence. V nedávné době se objevilo několik pokusů o propojení těchto dvou vědeckých ...

Komenda Antonín; Michaela Urbanovská; Shleyfman Alexander
České vysoké učení technické v Praze, 2020

Detekce anomálií v komplexních IT architekturách
Svatoš Martin; Ondřej Borovec; Brabec Jan
2020 -
Detekce problémů a anomálií hraje důležitou roli při správě a tvoření komplexních softwarových řešeních. Brzká detekce potenciálního problémů pomáhá správcům takových systémů rychle reagovat a v důsledku snižovat riziko odstávky služby a ztráty peněz. Naneštěstí současná řešení pro monitoring zaostávají za rychle rostoucím I.T. průmyslem a velikostí samotných softwarových řešeních. Tato práce je zaměřena na řešení problémů známé společnosti a má za úkol navrhnout nový kompletní řešení pro detekci anomálií. V rámci výzkumu této problematiky jsme se zabývali doporučenými řešeními monitorovacích systémů, jaké techniky detekce anomálií mohou být použity a které vlastnosti a příznaky architektur mají být sbírány a následně zpracovány. Námi navržený systém zaznamenával každodenní chování dvou různých architektur a tyto data jsou publikovány společně s touto prací jako vědecký dataset s anotacemi vytvořenými experty na dané architektury. Identifikovali jsme potencionální slabiny uznávaných nejmodernějších metod a navrhli modifikaci jedné z nich na řešení tohoto problému. Také jsme navrhli a implementovali nový model založený na grafových strukturách sloužící jako generalizace současných řešení. Naše modely byly experimentálně vyhodnoceny v porovnání se zmíněnými uznávanými algoritmy na námi vytvořeném datasetu. Naše řešení se prokázalo být stejné kvality a v některých vlastnostech dokonce lepší.Anomaly detection is a crucial aspect of software architecture maintenance and building a stable system. With early problem detection operators can react quickly to reduce potential downtime risk resulting in data and money saving, therefore a reliable real-time anomaly detection system is highly desired. Unfortunately, currently used monitoring techniques are lacking behind fast-growing industry applications and scale of used architectures. This thesis aims at solving a problem of a renown company to design a new end-to-end solution for anomaly detection. We reviewed and discuss the best practices of designing such monitoring system, what anomaly detection techniques can be used, what metrics and features to collect and how to represent them. Collected logs and metrics by our system were preprocessed and released as a research dataset together with this work. The dataset records several days of anonymized runtime behaviour of 2 architectures with expert annotations of anomalous behaviour based on expert experience. We identified potential weaknesses of current state-of-the-art models and propose a modification called Timed workflow inference to address this issue. We also designed and implemented a new graph-based model - Timed graph workflow - to generalize some strict rules of other solutions. Our models were experimentally evaluated with other state-of-the-art anomaly detection models using our dataset. The proposed solutions proved to be competitive and in several aspects even better. Keywords: Detekce; Anomalie; Software; Machine learning; Detection; Anomaly; Software; Machine learning Available in digital repository of ČVUT.
Detekce anomálií v komplexních IT architekturách

Detekce problémů a anomálií hraje důležitou roli při správě a tvoření komplexních softwarových řešeních. Brzká detekce potenciálního problémů pomáhá správcům takových systémů rychle reagovat a v ...

Svatoš Martin; Ondřej Borovec; Brabec Jan
České vysoké učení technické v Praze, 2020

Detekce a sledování objektů pomocí konvolučních neuronových-sítí v dopravních scénách
Krček Jan; Filip Langr; Reinštein Michal
2020 -
S rozmachem hlubokého učení se sledování uživatelů vozovek z dopravních kamer dostává na výsluní. Tato práce přispívá k tomuto tématu dvěma částmi. Zaprvé, implementujeme rozhraní pro hluboké neuronové sítě, s jehož pomocí úspešně natrénujeme model pro rozpoznávání objektů. Zadruhé, navrhujeme a implementujeme pět metod pro sledování mnoha objektů ve videu, z nichž některé jsou postaveny s využitím natrénovaného modelu z první části. Dále vyhodnocujeme a porovnáváme vlastnosti metod na dvou datasetech, včetně UA-DETRAC. Naše výsledky dokládají potenciál sledovacích metod využívajících hluboké rozpoznávací modely.With the advance of deep learning, road users tracking from traffic video scenes has recently got to spotlight. This thesis contributes to the topic in two ways. First, we implement a deep neural network framework which we use to successfully train an object re-identification model. Second, we propose and implement five video multi-object trackers, some of which are built on the trained appearance model from the first part. We evaluate and compare trackers' quality on two datasets, including UA-DETRAC. Our results show the performance potential of deep re-identification-based trackers. Keywords: Rozpoznávání uživatelů silnic; Sledování mnoha objektů; Počítačové vidění; Hluboké neuronové sítě; Road users re-identification; Multi-object tracking; Computer vision; Deep neural networks Available in digital repository of ČVUT.
Detekce a sledování objektů pomocí konvolučních neuronových-sítí v dopravních scénách

S rozmachem hlubokého učení se sledování uživatelů vozovek z dopravních kamer dostává na výsluní. Tato práce přispívá k tomuto tématu dvěma částmi. Zaprvé, implementujeme rozhraní pro hluboké ...

Krček Jan; Filip Langr; Reinštein Michal
České vysoké učení technické v Praze, 2020

Reducing Variance in Monte Carlo Counterfactual Regret Minimization
Lisý Viliam; Pavel Kuchař; Bošanský Branislav
2020 -
Práce se zaměřuje na redukci variance v Monte Carlo CFR algoritmech v hrách s neúplnou informací. Po představení základního názvosloví a základních konceptů z teorie her jsou rozebrány nedávné úspěchy v redukci variance v MCCFR algoritmech jako je AIVAT, Generalized Sampling a VR-MCCFR. V rámci práce je navrhnut nový algoritmus pro redukci variance MCCFR za použití baselines a control variates založený na VR-MCCFR přístupu. Na konec je experimentálně ověřena funkčnost navrženého algoritmu.This thesis focused on variance reduction of Monte Carlo CFR algorithm in game with incomplete information. After introduction basic game theoretic terminology and theoretical concepts there are analyzed recent achievement in variance reduction of MCCFR algorithms like AIVAT, Generalized Sampling and VR-MCCFR. Within this work is proposed novel algorithm for variance reduction with usage of baselines and control variates based on VR-MCCFR approach. Finally the functionality of proposed algorithm is experimentally verified. Keywords: Teorie her; Counterfactual regret; Monte Carlo Conterfactual Regret; MCCFR; CFR; Game theory; Counterfactual regret; Monte Carlo Conterfactual Regret; MCCFR; CFR Available in digital repository of ČVUT.
Reducing Variance in Monte Carlo Counterfactual Regret Minimization

Práce se zaměřuje na redukci variance v Monte Carlo CFR algoritmech v hrách s neúplnou informací. Po představení základního názvosloví a základních konceptů z teorie her jsou rozebrány nedávné úspěchy ...

Lisý Viliam; Pavel Kuchař; Bošanský Branislav
České vysoké učení technické v Praze, 2020

Učení konvolučních neuronových sítí ze slabě anotovaných obrázků tváří
Franc Vojtěch; Stefan Ćirić; Urban Martin
2020 -
Predikce věku ze snímků obličejů je dlouhodobě studovaný problém, pro který byla navržena řada různých postupů. V oblastech rozpoznávání tváří a predikci věku dosahují v současné době nejlepších výsledků metody založené na konvolučních neuronových sítích. Jejich nevýhodou je nutnost učení z velkých anotovaných kolekcí, které bývá obtížné zajistit. Obvykle se používá automaticky vygenerovaná databáze ze serveru IMDB obsahující přes 500 tisíc snímků, která ale vlivem použitého anotačního algoritmu obsahuje velké množství špatných označení. Představíme anotační algoritmus dosahující lepších výsledků na IMDB datasetu. Metoda je založená na modelování identit herců v databázi a následném přiřazení věku k obličejům. Kromě metody samotné je také diskutováno optimální nastavení parametrů pro dosažení maximální přesnosti. Za pomoci vlastního nástroje pro ruční anotaci je model vyhodnocen na dvou nezávislých datasetech, a to ze dvou hledisek. Nejprve uvažujeme počet špatně klasifikovaných vzorků, dále také počet osob jimž nebyl přiřazen žádný věk z důvodu chybějícího modelu identity.Age prediction from facial images is a long standing problem. Various automated facial recognition applications and models have been developed and researched to tackle it. State of the art models for age prediction and face recognition are based on convolutional neural network. The main weakness of such models is the requirement of large annotated datasets. Many state of the art models are learned from automatically annotated IMDB database containing over 500k images. The major weakness of the IMDB database is a large amount of noisy labels produced by the used annotation algorithm. The thesis aims to develop an annotation algorithm which produces a cleaner annotation of the IMDB database. The proposed algorithm builds identity models of the actors appearing in the database and uses the identity models to assign age to the correct faces, and as such accurately annotate the data. We present the proposed annotation method for building the identity models and the fine tuning of the necessary parameters surrounding the annotation. We evaluate the model on two manually independent datasets, and compute two different types of errors: overlooked and misclassified samples. For the purpose of manual annotation we develop a tool which is used for efficient collection of the labels from the data. Keywords: predikce věku; rozpoznávání obličejů; CNN; keras; VGGFace; model identity; IMDB; IJB; anotace; age prediction; face recognition; CNN; keras; VGGFace; identity model; IMDB; IJB; annotation Available in digital repository of ČVUT.
Učení konvolučních neuronových sítí ze slabě anotovaných obrázků tváří

Predikce věku ze snímků obličejů je dlouhodobě studovaný problém, pro který byla navržena řada různých postupů. V oblastech rozpoznávání tváří a predikci věku dosahují v současné době nejlepších ...

Franc Vojtěch; Stefan Ćirić; Urban Martin
České vysoké učení technické v Praze, 2020

About project

NRGL provides central access to information on grey literature produced in the Czech Republic in the fields of science, research and education. You can find more information about grey literature and NRGL at service web

Send your suggestions and comments to nusl@techlib.cz

Provider

http://www.techlib.cz

Facebook

Other bases