handle: 11012/200792
In this paper, we present two pipelines in order to reduce the feature space for anomalydetection using the One Class SVM. As a first stage of both pipelines, we compare the performanceof three convolutional autoencoders. We use the PCA method together with t-SNE as the first pipelineand the reconstruction errors based method as the second. Both methods have potential for theanomaly detection, but the reconstruction error metrics prove to be more robust for this task. Weshow that the convolutional autoencoder architecture doesn’t have a significant effect for this task andwe prove the potential of our approach on the real world dataset.
<script type="text/javascript">
<!--
document.write('<div id="oa_widget"></div>');
document.write('<script type="text/javascript" src="https://www.openaire.eu/index.php?option=com_openaire&view=widget&format=raw&projectId=11012/200792&type=result"></script>');
-->
</script>
citations | 0 | |
popularity | Average | |
influence | Average | |
impulse | Average |
<script type="text/javascript">
<!--
document.write('<div id="oa_widget"></div>');
document.write('<script type="text/javascript" src="https://www.openaire.eu/index.php?option=com_openaire&view=widget&format=raw&projectId=11012/200792&type=result"></script>');
-->
</script>
handle: 11012/247738
This thesis focuses on utilizing image data of tree trunk damage to train a classifier for recognizing species of tree pests that caused this damage. The classifier is designed as a convolutional neural network. To successfully train the model, a preprocessing step - the sub-image generator - was employed before the classifier. This generator creates training data of suitable dimensions by cropping from the original data. The resulting data retains important details for network training. Two methods for generating training sub-images were proposed for the sub-image generator - the Grid division method and the Elliptic division method. Both of these methods can be successfully used to train the classifier for tree pest recognition based on image data of tree damage with comparable model accuracy. The Elliptic division method is more flexible and less time-consuming for preprocessing training data. Tato diplomová práce se věnuje využití obrazových dat poškození kmene stromu k natrénování klasifikátoru pro rozpoznávání druhů škůdců stromů, které toto poškození způsobili. Klasifikátor je navrhnut jako konvoluční neuronová síť. Pro úspěšné natrénování modelu byl klasifikátoru předřazen preprocesingový krok – sub-image generátor. Tento generátor vytváří tréninková data o vhodných rozměrech pomocí výřezů z původních dat. Takto vzniklá data zachovávají důležité detaily pro trénování sítě. Pro sub-image generátor byly navrženy dvě metody vytváření trénovacích pod-obrazů – Grid division method a Elliptic division method. Obě tyto metody lze úspěšně použít pro natrénování klasifikátoru škůdců stromů na základě obrazových dat poškození stromu se srovnatelnou přesností modelu. Metoda Elliptic division je flexibilnější a méně časově náročná na preprocesing trénovacích dat. A
<script type="text/javascript">
<!--
document.write('<div id="oa_widget"></div>');
document.write('<script type="text/javascript" src="https://www.openaire.eu/index.php?option=com_openaire&view=widget&format=raw&projectId=11012/247738&type=result"></script>');
-->
</script>
<script type="text/javascript">
<!--
document.write('<div id="oa_widget"></div>');
document.write('<script type="text/javascript" src="https://www.openaire.eu/index.php?option=com_openaire&view=widget&format=raw&projectId=11012/247738&type=result"></script>');
-->
</script>
handle: 11012/200770
We propose the model combining convolutional neural network with multiple instancelearning in order to localize the premature atrial contraction and premature ventricular contraction.The model is based on ResNet architecture modified for 1D signal processing. Model was trainedon China Physiological Signal Challenge 2018 database extended by manually labeled ground truthpositions of premature complexes. The presented method did not reach satisfying results in PAClocalization (with dice = 0.127 for avg-pooling implementation). On the other hand, results of localizationof PVCs were comparable with other published studies (with dice = 0.952 for avg-poolingimplementation).
<script type="text/javascript">
<!--
document.write('<div id="oa_widget"></div>');
document.write('<script type="text/javascript" src="https://www.openaire.eu/index.php?option=com_openaire&view=widget&format=raw&projectId=11012/200770&type=result"></script>');
-->
</script>
citations | 0 | |
popularity | Average | |
influence | Average | |
impulse | Average |
<script type="text/javascript">
<!--
document.write('<div id="oa_widget"></div>');
document.write('<script type="text/javascript" src="https://www.openaire.eu/index.php?option=com_openaire&view=widget&format=raw&projectId=11012/200770&type=result"></script>');
-->
</script>
handle: 11012/56493
Hlavním cílem této práce bylo navrhnout a vytvořit systém sledování osob s aplikací v oboru bezpečnosti nebo pro analýzu chování zákazníka v obchodě. Systém byl úspěšně implementován pomocí metod KLT trekování, AdaBoost klasifikátoru a datové asociace pomocí Markovských řetězců a metody Monte Carlo. Implementace umožňuje analýzu pohybu lidí ve vnitřních i vnějších prostorech. The main goal of this thesis is to develop multi-target tracking system for use in field of security surveillance or for customer behavior analysis. The system was successfully implemented using KLT tracking, AdaBoost classifier and Markov Chain Monte Carlo data association. It is able to perform analysis of motion of people in both outdoor and indoor environment. C
<script type="text/javascript">
<!--
document.write('<div id="oa_widget"></div>');
document.write('<script type="text/javascript" src="https://www.openaire.eu/index.php?option=com_openaire&view=widget&format=raw&projectId=11012/56493&type=result"></script>');
-->
</script>
<script type="text/javascript">
<!--
document.write('<div id="oa_widget"></div>');
document.write('<script type="text/javascript" src="https://www.openaire.eu/index.php?option=com_openaire&view=widget&format=raw&projectId=11012/56493&type=result"></script>');
-->
</script>
handle: 11012/186685
SILON s.r.o is manufacturer of polyester fibres which get used in wide range of applications, many of them requiring highest quality material. Due to manufacturing processes, some fibres are not drawn properly and stay in the fiber as bundles, or brittle, thick threads. Proposed lab station should automate process of quality check of each batch. It consists of linescan camera scanner and computer with software for detection and analysis of defects.
<script type="text/javascript">
<!--
document.write('<div id="oa_widget"></div>');
document.write('<script type="text/javascript" src="https://www.openaire.eu/index.php?option=com_openaire&view=widget&format=raw&projectId=11012/186685&type=result"></script>');
-->
</script>
citations | 0 | |
popularity | Average | |
influence | Average | |
impulse | Average |
<script type="text/javascript">
<!--
document.write('<div id="oa_widget"></div>');
document.write('<script type="text/javascript" src="https://www.openaire.eu/index.php?option=com_openaire&view=widget&format=raw&projectId=11012/186685&type=result"></script>');
-->
</script>
handle: 11012/205503
This thesis is researching workable solutions to the problem of classification of thorax disease on chest x-ray images using artificial intelligence. For a better understanding of the problem, the first chapters explain the basic convolutional neural network and its advantages and disadvantages. Based on these first explanations, two neural networks which are expanding on the concept of the convolutional neural network are chosen. Those are capsulated network and residual network both explained further in their respective sections with their advantages and disadvantages. Residual network and Capsulated network are implemented using programming language python and framework TensorFlow with Keras library, both with their respective chapters. At the end of this thesis, you can find results and conclusion. Tato práce se zabývá výzkumem použitelných řešení pro problém klasifikace onemocnění hrudníku na rentgenových snímcích hrudníku pomocí umělé inteligence. Pro lepší pochopení problému jsou v prvních kapitolách vysvětleny základní konvoluční neuronové sítě a jejich výhody a nevýhody. Na základě těchto prvních vysvětlení jsou vybrány dvě neuronové sítě, které rozšiřují koncept konvoluční neuronové sítě. Těmito sítěmi jsou kapslová síť a reziduální síť, obě jsou dále vysvětleny v příslušných kapitolách s jejich výhodami a nevýhodami. Reziduální síť a kapslová síť jsou poté implementovány pomocí programovacího jazyka python a frameworku TensorFlow s knihovnou Keras, obě se svými příslušnými kapitolami. Na konci práce jsou uvedeny výsledky a závěr. C
<script type="text/javascript">
<!--
document.write('<div id="oa_widget"></div>');
document.write('<script type="text/javascript" src="https://www.openaire.eu/index.php?option=com_openaire&view=widget&format=raw&projectId=11012/205503&type=result"></script>');
-->
</script>
<script type="text/javascript">
<!--
document.write('<div id="oa_widget"></div>');
document.write('<script type="text/javascript" src="https://www.openaire.eu/index.php?option=com_openaire&view=widget&format=raw&projectId=11012/205503&type=result"></script>');
-->
</script>
handle: 11012/211050
This thesis deals with the task of recognizing emotions from electroencephalogram (EEG). Two models were trained for binary classification of emotions, where one classifies neutral emotion or fear and the other classifies happiness or sadness. During the work on this thesis many different architectures were tried, and the best result was obtained using a model with two branches of CNN-LSTM connected before the output layer. The resulting accuracy was 87.309% for sad-happy classification and 84.865% for neutral-fear emotion. Táto práca sa zaoberá rozoznávaním emócií z elektroencefalogramu (EEG). Dva modely na binárnu klasifikáciu emócií, kde jeden model klasifikuje neutrálnu emóciu alebo strach a druhý šťastie a smútok. Počas práce boli vyskúšané mnohé rôzne architektúry, pričom najlepšie výsledky boli dosiahnuté modelom pozostávajúcim z dvoch vetiev KNN-LSTM spojenými pred výstupnou vrstvou. Výsledná presnosť bola 87.309% na klasifikáciu šťastia a smútku a 84.865% na klasifikáciu neutrálnej emócie a strachu. A
<script type="text/javascript">
<!--
document.write('<div id="oa_widget"></div>');
document.write('<script type="text/javascript" src="https://www.openaire.eu/index.php?option=com_openaire&view=widget&format=raw&projectId=11012/211050&type=result"></script>');
-->
</script>
<script type="text/javascript">
<!--
document.write('<div id="oa_widget"></div>');
document.write('<script type="text/javascript" src="https://www.openaire.eu/index.php?option=com_openaire&view=widget&format=raw&projectId=11012/211050&type=result"></script>');
-->
</script>
handle: 11012/208539
Perceptive systems in autonomous cars are a heavily researched topic these days and an essential part of making fully autonomous vehicles possible. First, we make a short summary of the development of such a system, then we explain different approaches to make these systems possible, and we focus on object detection, as this will be the main part of our own created perceptive system. A new model for object detection is implemented, and some additional parts like distance estimation and lane detection are added. Percepční systémy v autonomních vozech jsou v dnešní době intenzivně zkoumaným tématem a nezbytnou součástí potřebnou k vytvoření plně autonomních vozidel. Nejprve, stručně shrneme vývoj takových systémů, vysvětlíme si různé přístupy potřebné k vytvoření percepčních systémů a zaměříme se na detekci objektů, protože to bude naše hlavní část pro námi vytvořená systém. Nový model pro detekci objektů je , spolu s několika dalšími částmi jako odhad vzdálenosti a detekce jízdních pruhů. C
<script type="text/javascript">
<!--
document.write('<div id="oa_widget"></div>');
document.write('<script type="text/javascript" src="https://www.openaire.eu/index.php?option=com_openaire&view=widget&format=raw&projectId=11012/208539&type=result"></script>');
-->
</script>
<script type="text/javascript">
<!--
document.write('<div id="oa_widget"></div>');
document.write('<script type="text/javascript" src="https://www.openaire.eu/index.php?option=com_openaire&view=widget&format=raw&projectId=11012/208539&type=result"></script>');
-->
</script>
handle: 11012/83952
This paper deals with proposed 2nd order universal frequency filter. In design of this frequency filter, multiple-output current follower (MO-CF) and digitally adjustable current amplifier (DACA) have been used. The frequency filter is proposed with ability to control the pole frequency without disturbing the selected quality factor by parameter of DACA active elements in form of integrated circuit. Design is supported by simulation and also measurement results.
<script type="text/javascript">
<!--
document.write('<div id="oa_widget"></div>');
document.write('<script type="text/javascript" src="https://www.openaire.eu/index.php?option=com_openaire&view=widget&format=raw&projectId=11012/83952&type=result"></script>');
-->
</script>
citations | 0 | |
popularity | Average | |
influence | Average | |
impulse | Average |
<script type="text/javascript">
<!--
document.write('<div id="oa_widget"></div>');
document.write('<script type="text/javascript" src="https://www.openaire.eu/index.php?option=com_openaire&view=widget&format=raw&projectId=11012/83952&type=result"></script>');
-->
</script>
handle: 11012/39912
This bachelor's thesis deals with the general introduction into the projects that are needed for the realization of smart cities and technologies implemented in them. In further detail it concentrates more upon the projects that take place in different parts of the world, mainly in Japan and Hawaii. It deals, in particular, with technologically advanced energy solutions, smart grid testing projects which are essential for the smart city itself and implementation of electric vehicles into the grid. Also some of the European smart city projects are mentioned, where the developed technology is tested in real-life cooperation. Tato bakalářská práce se zabývá obecným úvodem do dílčích projektů, které jsou důležité pro realizaci chytrých měst i v nich používaných technologií. Podrobněji tato práce přibližuje projekty v různých zemích, hlavně však v Japonsku a na Havaji. Konkrétně shrnuje technologicky pokročilé energetické řešení a testovací projekty chytré sítě, které jsou základním kamenem pro budoucí chytrá města i efektivní využití elektomobilů. Práce také zmiňuje projekty chytrých měst v Evropě, kde je synchronizace vyvinutých technologií testována v praxi. D
<script type="text/javascript">
<!--
document.write('<div id="oa_widget"></div>');
document.write('<script type="text/javascript" src="https://www.openaire.eu/index.php?option=com_openaire&view=widget&format=raw&projectId=11012/39912&type=result"></script>');
-->
</script>
<script type="text/javascript">
<!--
document.write('<div id="oa_widget"></div>');
document.write('<script type="text/javascript" src="https://www.openaire.eu/index.php?option=com_openaire&view=widget&format=raw&projectId=11012/39912&type=result"></script>');
-->
</script>
handle: 11012/200792
In this paper, we present two pipelines in order to reduce the feature space for anomalydetection using the One Class SVM. As a first stage of both pipelines, we compare the performanceof three convolutional autoencoders. We use the PCA method together with t-SNE as the first pipelineand the reconstruction errors based method as the second. Both methods have potential for theanomaly detection, but the reconstruction error metrics prove to be more robust for this task. Weshow that the convolutional autoencoder architecture doesn’t have a significant effect for this task andwe prove the potential of our approach on the real world dataset.
<script type="text/javascript">
<!--
document.write('<div id="oa_widget"></div>');
document.write('<script type="text/javascript" src="https://www.openaire.eu/index.php?option=com_openaire&view=widget&format=raw&projectId=11012/200792&type=result"></script>');
-->
</script>
citations | 0 | |
popularity | Average | |
influence | Average | |
impulse | Average |
<script type="text/javascript">
<!--
document.write('<div id="oa_widget"></div>');
document.write('<script type="text/javascript" src="https://www.openaire.eu/index.php?option=com_openaire&view=widget&format=raw&projectId=11012/200792&type=result"></script>');
-->
</script>
handle: 11012/247738
This thesis focuses on utilizing image data of tree trunk damage to train a classifier for recognizing species of tree pests that caused this damage. The classifier is designed as a convolutional neural network. To successfully train the model, a preprocessing step - the sub-image generator - was employed before the classifier. This generator creates training data of suitable dimensions by cropping from the original data. The resulting data retains important details for network training. Two methods for generating training sub-images were proposed for the sub-image generator - the Grid division method and the Elliptic division method. Both of these methods can be successfully used to train the classifier for tree pest recognition based on image data of tree damage with comparable model accuracy. The Elliptic division method is more flexible and less time-consuming for preprocessing training data. Tato diplomová práce se věnuje využití obrazových dat poškození kmene stromu k natrénování klasifikátoru pro rozpoznávání druhů škůdců stromů, které toto poškození způsobili. Klasifikátor je navrhnut jako konvoluční neuronová síť. Pro úspěšné natrénování modelu byl klasifikátoru předřazen preprocesingový krok – sub-image generátor. Tento generátor vytváří tréninková data o vhodných rozměrech pomocí výřezů z původních dat. Takto vzniklá data zachovávají důležité detaily pro trénování sítě. Pro sub-image generátor byly navrženy dvě metody vytváření trénovacích pod-obrazů – Grid division method a Elliptic division method. Obě tyto metody lze úspěšně použít pro natrénování klasifikátoru škůdců stromů na základě obrazových dat poškození stromu se srovnatelnou přesností modelu. Metoda Elliptic division je flexibilnější a méně časově náročná na preprocesing trénovacích dat. A
<script type="text/javascript">
<!--
document.write('<div id="oa_widget"></div>');
document.write('<script type="text/javascript" src="https://www.openaire.eu/index.php?option=com_openaire&view=widget&format=raw&projectId=11012/247738&type=result"></script>');
-->
</script>
<script type="text/javascript">
<!--
document.write('<div id="oa_widget"></div>');
document.write('<script type="text/javascript" src="https://www.openaire.eu/index.php?option=com_openaire&view=widget&format=raw&projectId=11012/247738&type=result"></script>');
-->
</script>
handle: 11012/200770
We propose the model combining convolutional neural network with multiple instancelearning in order to localize the premature atrial contraction and premature ventricular contraction.The model is based on ResNet architecture modified for 1D signal processing. Model was trainedon China Physiological Signal Challenge 2018 database extended by manually labeled ground truthpositions of premature complexes. The presented method did not reach satisfying results in PAClocalization (with dice = 0.127 for avg-pooling implementation). On the other hand, results of localizationof PVCs were comparable with other published studies (with dice = 0.952 for avg-poolingimplementation).
<script type="text/javascript">
<!--
document.write('<div id="oa_widget"></div>');
document.write('<script type="text/javascript" src="https://www.openaire.eu/index.php?option=com_openaire&view=widget&format=raw&projectId=11012/200770&type=result"></script>');
-->
</script>
citations | 0 | |
popularity | Average | |
influence | Average | |
impulse | Average |
<script type="text/javascript">
<!--
document.write('<div id="oa_widget"></div>');
document.write('<script type="text/javascript" src="https://www.openaire.eu/index.php?option=com_openaire&view=widget&format=raw&projectId=11012/200770&type=result"></script>');
-->
</script>
handle: 11012/56493
Hlavním cílem této práce bylo navrhnout a vytvořit systém sledování osob s aplikací v oboru bezpečnosti nebo pro analýzu chování zákazníka v obchodě. Systém byl úspěšně implementován pomocí metod KLT trekování, AdaBoost klasifikátoru a datové asociace pomocí Markovských řetězců a metody Monte Carlo. Implementace umožňuje analýzu pohybu lidí ve vnitřních i vnějších prostorech. The main goal of this thesis is to develop multi-target tracking system for use in field of security surveillance or for customer behavior analysis. The system was successfully implemented using KLT tracking, AdaBoost classifier and Markov Chain Monte Carlo data association. It is able to perform analysis of motion of people in both outdoor and indoor environment. C
<script type="text/javascript">
<!--
document.write('<div id="oa_widget"></div>');
document.write('<script type="text/javascript" src="https://www.openaire.eu/index.php?option=com_openaire&view=widget&format=raw&projectId=11012/56493&type=result"></script>');
-->
</script>
<script type="text/javascript">
<!--
document.write('<div id="oa_widget"></div>');
document.write('<script type="text/javascript" src="https://www.openaire.eu/index.php?option=com_openaire&view=widget&format=raw&projectId=11012/56493&type=result"></script>');
-->
</script>
handle: 11012/186685
SILON s.r.o is manufacturer of polyester fibres which get used in wide range of applications, many of them requiring highest quality material. Due to manufacturing processes, some fibres are not drawn properly and stay in the fiber as bundles, or brittle, thick threads. Proposed lab station should automate process of quality check of each batch. It consists of linescan camera scanner and computer with software for detection and analysis of defects.
<script type="text/javascript">
<!--
document.write('<div id="oa_widget"></div>');
document.write('<script type="text/javascript" src="https://www.openaire.eu/index.php?option=com_openaire&view=widget&format=raw&projectId=11012/186685&type=result"></script>');
-->
</script>
citations | 0 | |
popularity | Average | |
influence | Average | |
impulse | Average |
<script type="text/javascript">
<!--
document.write('<div id="oa_widget"></div>');
document.write('<script type="text/javascript" src="https://www.openaire.eu/index.php?option=com_openaire&view=widget&format=raw&projectId=11012/186685&type=result"></script>');
-->
</script>
handle: 11012/205503
This thesis is researching workable solutions to the problem of classification of thorax disease on chest x-ray images using artificial intelligence. For a better understanding of the problem, the first chapters explain the basic convolutional neural network and its advantages and disadvantages. Based on these first explanations, two neural networks which are expanding on the concept of the convolutional neural network are chosen. Those are capsulated network and residual network both explained further in their respective sections with their advantages and disadvantages. Residual network and Capsulated network are implemented using programming language python and framework TensorFlow with Keras library, both with their respective chapters. At the end of this thesis, you can find results and conclusion. Tato práce se zabývá výzkumem použitelných řešení pro problém klasifikace onemocnění hrudníku na rentgenových snímcích hrudníku pomocí umělé inteligence. Pro lepší pochopení problému jsou v prvních kapitolách vysvětleny základní konvoluční neuronové sítě a jejich výhody a nevýhody. Na základě těchto prvních vysvětlení jsou vybrány dvě neuronové sítě, které rozšiřují koncept konvoluční neuronové sítě. Těmito sítěmi jsou kapslová síť a reziduální síť, obě jsou dále vysvětleny v příslušných kapitolách s jejich výhodami a nevýhodami. Reziduální síť a kapslová síť jsou poté implementovány pomocí programovacího jazyka python a frameworku TensorFlow s knihovnou Keras, obě se svými příslušnými kapitolami. Na konci práce jsou uvedeny výsledky a závěr. C
<script type="text/javascript">
<!--
document.write('<div id="oa_widget"></div>');
document.write('<script type="text/javascript" src="https://www.openaire.eu/index.php?option=com_openaire&view=widget&format=raw&projectId=11012/205503&type=result"></script>');
-->
</script>