Použitie DNN pre analýzu trojuholníkových sietí v geometrickej morfometrii
| Thesis title in thesis language (Slovak): | Použitie DNN pre analýzu trojuholníkových sietí v geometrickej morfometrii |
|---|---|
| Thesis title in Czech: | Použití DNN pro analýzu trojúhelníkových sítí v geometrické morfometrii |
| Thesis title in English: | Using DNN for triangular network analysis in geometric morphometry |
| Key words: | trojúhelníková síť, model obličeje, hluboké učení, geometrická morfometrie |
| English key words: | triangle mesh, facial model, deep learning, geometric morphometry |
| Academic year of topic announcement: | 2017/2018 |
| Thesis type: | Bachelor's thesis |
| Thesis language: | slovenština |
| Department: | Department of Software and Computer Science Education (32-KSVI) |
| Supervisor: | RNDr. Josef Pelikán |
| Author: | hidden - assigned and confirmed by the Study Dept. |
| Date of registration: | 05.03.2018 |
| Date of assignment: | 04.04.2018 |
| Confirmed by Study dept. on: | 06.04.2018 |
| Date and time of defence: | 22.06.2018 09:00 |
| Date of electronic submission: | 13.05.2018 |
| Date of submission of printed version: | 18.05.2018 |
| Date of proceeded defence: | 22.06.2018 |
| Opponents: | Mgr. Ján Dupej, Ph.D. |
| Guidelines |
| 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. |
| References |
| 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 |