Aplikace hlubokých neuronových sítí v multimediálních databázích

• Název práce v češtině: Aplikace hlubokých neuronových sítí v multimediálních databázích
• Název v anglickém jazyce: Applications of deep neural networks in multimedia databases
• Klíčová slova: Hluboké neuronové sítě, hluboké učení, multimediální databáze
• Klíčová slova anglicky: Deep neural networks, deep learning, multimedia databases
• Akademický rok vypsání: 2015/2016
• Typ práce: disertační práce
• Ústav: Katedra softwarového inženýrství (32-KSI)
• Vedoucí / školitel: doc. RNDr. Jakub Lokoč, Ph.D.
• Řešitel: skrytý - zadáno a potvrzeno stud. odd.
• Datum přihlášení: 03.10.2016
• Datum zadání: 03.10.2016
• Datum potvrzení stud. oddělením: 03.10.2016

Zásady pro vypracování

With the huge expansion of multimedia databases and variability of the data, both novel feature extraction and similarity search models are required for effective retrieval. Recently, deep learning approaches have reached state-of-the-art results in many benchmarks and shifted the research in this field towards biologically inspired approaches. The goal of this work is to analyze and design novel deep learning architectures, as well as to apply features from deep neural networks in specific multimedia applications.

Seznam odborné literatury

A. Krizhevsky, I. Sutskever, and G. Hinton. Imagenet classification with deep convolutional neural networks. In NIPS, 2012.

C. Szegedy, Wei Liu, Yangqing Jia, P. Sermanet, S. Reed, D. Anguelov, D. Erhan, V. Vanhoucke and A. Rabinovich. Going deeper with convolutions. 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR).

Guillaume Alain and Yoshua Bengio. What regularized auto-encoders learn from the data-generating distribution. Journal of Machine Learning Research 15(1): 3563-3593 (2014).

Yoshua Bengio, Aaron C. Courville, and Pascal Vincent. Representation Learning: A Review and New Perspectives. IEEE Trans. Pattern Anal. Mach. Intell. 35(8): 1798-1828 (2013).