Použitie DNN pre analýzu trojuholníkových sietí v geometrickej morfometrii

• Název práce v jazyce práce (slovenština): Použitie DNN pre analýzu trojuholníkových sietí v geometrickej morfometrii
• Název práce v češtině: Použití DNN pro analýzu trojúhelníkových sítí v geometrické morfometrii
• Název v anglickém jazyce: Using DNN for triangular network analysis in geometric morphometry
• Klíčová slova: trojúhelníková síť, model obličeje, hluboké učení, geometrická morfometrie
• Klíčová slova anglicky: triangle mesh, facial model, deep learning, geometric morphometry
• Akademický rok vypsání: 2017/2018
• Typ práce: bakalářská práce
• Jazyk práce: slovenština
• Ústav: Katedra softwaru a výuky informatiky (32-KSVI)
• Vedoucí / školitel: RNDr. Josef Pelikán
• Řešitel: skrytý - zadáno a potvrzeno stud. odd.
• Datum přihlášení: 05.03.2018
• Datum zadání: 04.04.2018
• Datum potvrzení stud. oddělením: 06.04.2018
• Datum a čas obhajoby: 22.06.2018 09:00
• Datum odevzdání elektronické podoby: 13.05.2018
• Datum odevzdání tištěné podoby: 18.05.2018
• Datum proběhlé obhajoby: 22.06.2018
• Oponenti: Mgr. Ján Dupej, Ph.D.

Zásady pro vypracování

Seznámit se s trojúhelníkovými sítěmi, které se zpracovávají v geometrické morfometrii (spolupráce s 3D laboratoří Katedry antropologie a geneticky člověka PřF UK). Jako nejvhodnější data se ukazují trojúhelníkové sítě obličejů, kterých je k dispozici velké množství a jsou dobře definované a opatřené negeometrickými atributy (věk, pohlaví, BMI). Seznámit se s dostupnou knihovnou pro strojové učení, podmínkou jsou hluboké neuronové sítě (dále DNN), doporučuji vyzkoušet např. TensorFlow od Google.

Úkolem bakalářské práce je prozkoumat možnosti použití DNN pro geometrické analýzy trojúhelníkových sítí pro geometrickou morfometrii. Vyzkoušet nějakou základní úlohu klasifikace, mapř. pohlavní dimorfismus. Jako hlavní problém bude potřeba řešit mapování geometrických dat na vstupy NN. Řešitel musí provést rešerši používaných přístupů, ty nadějné vyzkoušet a porovnat, pokusit se navrhnout alespoň jeden nový originální přístup. Porovnat použití NN a CNN, analyzovat vliv případných kroků předzpracování (relativizace souřadnic, normalizace orientace a velikosti). Kritériem kvality zvoleného přístupu nechť je úspěšnost učení a klasifikace NN.

Formálně nemá experimentální SW žádné předepsané podmínky nebo formy. Pokud to bude užitečné, může vzniknout interaktivní aplikace pro editování vstupních trojúhelníkových sítí. Vlastní porovnávání a testování, učení neuronových sítí již nemusí mít formu GUI. Pokud to bude možné, je preferována taková implementace učení NN, kterou bude možné v budoucnu přenést na výpočetní servery (opatřené CPU nebo GPU).

Použité algoritmy a modely by měly být v práci dobře dokumentovány, funkčnost vyvinutého SW by se měla ověřit na dostupných vstupních datech. Analýza výsledků (i těch méně úspěšných metod) bude součástí bakalářské práce.

Seznam odborné literatury

1. Ian Goodfellow et al.: Deep Learning, 2016
2. SW na zpracování trojúhelníkových sítí v antropologii Morphome3cs (http://www.morphome3cs.com/)
3. TensorFlow: An open-source software library for Machine Intelligence (https://www.tensorflow.org/), napojení na prostředí .NET https://github.com/migueldeicaza/TensorFlowSharp