Konvoluční neuronové sítě a měření podobnosti fotografií v psychologii

• Název práce v češtině: Konvoluční neuronové sítě a měření podobnosti fotografií v psychologii
• Název v anglickém jazyce: Convolutional neural networks and similarity of photos measuring in psychology.
• Akademický rok vypsání: 2018/2019
• Typ práce: bakalářská práce
• Jazyk práce: čeština
• Ústav: Katedra psychologie (21-KPS)
• Vedoucí / školitel: doc. Mgr. Jiří Lukavský, Ph.D.
• Řešitel: skrytý - zadáno a potvrzeno stud. odd.
• Datum přihlášení: 18.06.2019
• Datum zadání: 18.06.2019
• Schválení administrátorem: zatím neschvalováno
• Datum potvrzení stud. oddělením: 27.06.2019
• Datum a čas obhajoby: 04.09.2020 00:00
• Odevzdaná/finalizovaná: ne

Zásady pro vypracování

Cílem práce je aplikace některé z dostupných konvolučních neuronových sítí (CNN – Convolutional Neural Networks) v psychologickém experimentu, jako nástroj pro měření podobnosti fotografií a zjistit přinos CNN pro experimentální psychologii.

Literárně přehledová část práce se bude zabývat počítačovým viděním, ontologii, evolucí konvolučních neuronových sítí (CNN) a nakonec představí přehled existujících CNN a jejích možnosti. Společné rysy počítačového a biologického vidění, rozpoznání objektů a jejích klasifikace u člověka lze využit v kontextu metodologických úvah o použiti CNN jako nástroje v psychologickém experimentu.


V rámci kvantitativního výzkumu, půjde o experiment zaměřený na porovnání výkonu CNN u člověka. Výběrový soubor je vymezen obecnou populací ve věku 18 – 55, bez závažných vad vnímání a zraku.

Seznam odborné literatury

O’Tolle, A. J., Castillo, C. D., Parde, C. J., Hill, M. Q. & Chellappa, R. (2018). Face space representation in deep convolutional neural networks. Trends in Cognitive Sciences, 22, 794 – 809.

Gazzaniga, S., Ivry, R. & Mangun, G. R. (2019). Cognitive neuroscience: the biology of the mind. Fifth edition. New York.

Oquab, M., Bottou, L., Laptev, I. & Sivic, J. (2014). Learning and transferring mid-level image representations using convolutional neural networks. Computer Vision and Pattern Recognition, 1717 – 1724.

Spoerer, C. J., McClure, P. & Kriegeskorte, N. (2018). Corrigendum: Recurrent Convolutional Neural Networks: A Better Model of Biological Object Recognition. Frontiers in Psychology, 9.

Jozwik, K. M., Kriegeskorte, N., Storrs, K. R. & Mur, M. (2017). Deep Convolutional Neural Networks Outperform Feature-Based But Not Categorical Models in Explaining Object Similarity Judgments. Frontiers in Psychology, 8.

Lažanský, J., Mařík, V. & Štěpánková O. (2013). Umělá inteligence 6. Praha: Academia.

Yangqing. J., Shelhamer, E., Donahue, J., Karayev, S., Long, J., Girshick, R., Guadarrama, S. & Darrell, T. (2014). Caffe: Convolutional Architecture for Fast Feature Embedding. UC Berkeley.