Deep Neural Networks in Image Processing

• Název práce v češtině: Hluboké Neuronové Sítě ve Zpracování Obrazu
• Název v anglickém jazyce: Deep Neural Networks in Image Processing
• Klíčová slova: hluboké neuronové sítě, klasifikace, reprezentace znalostí, CNN-sítě, zpracování obrazu
• Klíčová slova anglicky: deep neural networks, classification, knowledge representation, CNN-networks, image processing
• Akademický rok vypsání: 2018/2019
• Typ práce: diplomová práce
• Jazyk práce: angličtina
• 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: 26.04.2019
• Datum zadání: 26.04.2019
• Datum potvrzení stud. oddělením: 15.05.2019
• Datum a čas obhajoby: 14.09.2020 08:30
• Datum odevzdání elektronické podoby: 30.07.2020
• Datum odevzdání tištěné podoby: 30.07.2020
• Datum proběhlé obhajoby: 14.09.2020
• Oponenti: Mgr. Martin Pilát, Ph.D.

Zásady pro vypracování

The student shall review the following topics in his diploma thesis:

- overview and comparison of various paradigms applicable to deep neural networks and their training (e.g., back-propagation training algorithm, convolutional neural networks, Fast R-CNNs, etc.),

- recapitulation and mutual comparison of known approaches suitable for a fast yet reliable processing of image data, both labeled and unlabeled (Faster R-CNNs, Mask R-CNNs, transductive learning, among others),

- visualization and interpretation of the internal knowledge representation formed by the network (e.g., by means of t-SNE, sensitivity analysis or the detection of adversarial patterns, i.e., misclassified patterns that are, however, very similar to correctly classified patterns).

The student will focus on some of these topics in more detail. Further, he will propose a suitable strategy to detect and classify objects of interest in real-world image data, e.g., mammogram images, and will implement the models. The evaluation of the obtained results and gained experience shall form an important part of the thesis.

Seznam odborné literatury

1. Některé z dostupných základních učebnic, resp. přehledových článků vhodných pro zvolené téma, např.:
- N. Buduma: Fundamentals of Deep Learning: Designing Next-Generation Machine Intelligence Algorithms, O´Reilly, (2017).
- I. Goodfellow, Y. Bengio, and A. Courville: Deep Learning, The MIT Press, (2016).
- S. Haykin: Neural Networks and Learning Machines, 3rd edition, Pearson, (2009).

2. Články:
- R. Ghirshick: Fast R-CNN, (2015), Preprint arXiv:1504.08083, 9 p.
- K. He, G. Gkioxari, P. Dollár, and R. Girshick: Mask R-CNN, (2018), Preprint arXiv:1703.06870v3, 12 p.
- Y. LeCun, L. Bottou, Y. Bengio, P. Haffner: Gradient-Based Learning Applied to Document Recognition, in: Proc. of the IEEE, Vol. 86(11), (1998), pp. 2278-2324.
- A. Nguyen, J. Yosinski, J. Clune: Deep Neural Networks are Easily Fooled: High Confidence Predictions for Unrecognizable Images, in: Proc. of CVPR´2015, IEEE, (2015), 20 p.
- S. Ren, K. He, R. Girshick, and J. Sun: Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks, in: Advances in Neural Information Processing Systems 28, (2015), pp. 91-99.
- D. Ribli, A. Horv8th, Z. Unger, P. Pollner, and I. Csabai: Detecting and Classifying Lesions in Mammograms with Deep Learning, in: Scientific Reports, Vol. 8, Article No. 4165, (2018), 7 p.
- R. Sawyer Lee, F. Gimenez, A. Hoogi, K. Kawai Miyake, M. Gorovoy, and D. L. Rubin: A Curated Mammography Data Set for Use in Computer-Aided Detection and Diagnosis Research, in: Scientific Data, Vol. 4, Article No. 170177, (2017), 9 p.
- L. van der Maaten, G. Hinton: Visualizing High-Dimensional Data Using t-SNE, in: Journal of Machine Learning Research, Vol. 9, (2008), pp. 2579–2605.

3. Aktuální články z profilujících světových časopisů, např.:
Neurocomputing, Neural Networks, IEEE Transactions on Neural Networks, etc.