Konvoluční neuronové sítě a měření podobnosti fotografií v psychologii
Thesis title in Czech: | Konvoluční neuronové sítě a měření podobnosti fotografií v psychologii |
---|---|
Thesis title in English: | Convolutional neural networks and similarity of photos measuring in psychology. |
Academic year of topic announcement: | 2018/2019 |
Thesis type: | Bachelor's thesis |
Thesis language: | čeština |
Department: | Department of Psychology (21-KPS) |
Supervisor: | doc. Mgr. Jiří Lukavský, Ph.D. |
Author: | hidden - assigned and confirmed by the Study Dept. |
Date of registration: | 18.06.2019 |
Date of assignment: | 18.06.2019 |
Administrator's approval: | not processed yet |
Confirmed by Study dept. on: | 27.06.2019 |
Date and time of defence: | 04.09.2020 00:00 |
Submitted/finalized: | no |
Guidelines |
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. |
References |
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. |