Konvoluční neuronové sítě a jejich využití při detekci objektů
| Název práce v jazyce práce (slovenština): | Konvoluční neuronové sítě a jejich využití při detekci objektů |
|---|---|
| Název práce v češtině: | Konvoluční neuronové sítě a jejich využití při detekci objektů |
| Název v anglickém jazyce: | Convolutional neural networks and their application in object detection |
| Klíčová slova: | konvolučné siete, detekcia objektov, hokej, hráč |
| Klíčová slova anglicky: | convolutional neural networks, object detection, hockey, players |
| Akademický rok vypsání: | 2010/2011 |
| Typ práce: | diplomová práce |
| Jazyk práce: | slovenština |
| Ústav: | Katedra teoretické informatiky a matematické logiky (32-KTIML) |
| Vedoucí / školitel: | doc. RNDr. Iveta Mrázová, CSc. |
| Řešitel: | skrytý - zadáno a potvrzeno stud. odd. |
| Datum přihlášení: | 21.10.2010 |
| Datum zadání: | 21.10.2010 |
| Datum a čas obhajoby: | 22.01.2013 00:00 |
| Datum odevzdání elektronické podoby: | 07.12.2012 |
| Datum odevzdání tištěné podoby: | 07.12.2012 |
| Datum proběhlé obhajoby: | 22.01.2013 |
| Oponenti: | Mgr. Klára Pešková, Ph.D. |
| Zásady pro vypracování |
| V diplomové práci posluchač přehledově zpracuje následující témata:
- rekapitulace a srovnání různých modelů umělých neuronových sítí použitelných pro rozpoznávání multimediálních obrazových vzorů (2D, případně videa) - zejména modelu neocognitronu, konvolučních neuronových sítí, hlubokých neuronových sítí a algoritmu zpětného šíření, - rekapitulace a vzájemné porovnání metod vhodných pro předzpracování vstupních dat a extrakci lokálních příznaků (např. s využitím klastrovacích technik ap.). - interpretace a vizualizace extrahovaných znalostí. Na některé z uvedených témat se diplomant zaměří detailněji a na základě reálných dat navrhne vhodnou strategii pro jejich zpracování, poté přistoupí k realizaci jednotlivých modelů. Součástí práce bude i zhodnocení vlastních výsledků a zkušeností. |
| Seznam odborné literatury |
| Seznam doporučené literatury:
1. Některé z dostupných základních učebnic, resp. přehledových článků vhodných pro zvolené téma, např.: - R. Rojas: Neural Networks: A Systematic Introduction, Springer-Verlag, 1996 - S. Haykin: Neural networks: a comprehensive foundation, Prentice Hall, 1999 - Y. Bengio: Learning Deep Architectures for AI, in: Foundations and Trends in Machine Learning, Vol. 2., No. 1 (2009) pp. 1-127. - K.-L. Du: Clustering: A neural network approach, in: Neural Networks, Vol. 23 (2009) pp. 89-107. 2. Články: - Y. LeCun, L. Bottou, Y. Bengio, P. Haffner: Gradient-Based Learning Applied to Document Recognition, in: Proc. of the IEEE, vol. 86, no. 11 (Nov. 1998) pp. 2278-2324. - K. Fukushima: A neural network for visual pattern recognition, in: Computer, vol. 21, no. 3, (1988) pp. 65-75. - S. Fidler, G. Berginc, A. Leonardis: Hierarchical Statistical Learning of Generic Parts of Object Structure, in: Proc. of CVPR´06, IEEE Comp. Society, Washington, DC, USA, (2006) pp. 182-189. - D. Erhan, A. Courville, Y. Bengio, P. Vincent: Why Does Unsupervised Pre-training Help Deep Learning?, in: Proceedings of the Thirteenth International Conference on Artificial Intelligence and Statistics (AISTATS 2010), Vol. 9 (2010) pp. 201-208. - M. A. Ranzato, Y.-L. Boureau, Y. LeCun: Sparse Feature Learning for Deep Belief Networks, in: Advances in Neural Information Processing Systems (NIPS 2007), 2007 3. Aktuální články z profilujících světových časopisů, např.: Neurocomputing, Neural Networks, IEEE Transactions on Neural Networks ap. |