but.committee	prof. Ing. Adam Herout, Ph.D. (předseda) doc. Ing. Vladimír Drábek, CSc. (místopředseda) Ing. Jaroslav Rozman, Ph.D. (člen) RNDr. Marek Rychlý, Ph.D. (člen) doc. Ing. Michal Španěl, Ph.D. (člen)	cs
but.defence	Student nejprve prezentoval výsledky, kterých dosáhl v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Student následně odpověděl na otázky oponenta a na další otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm " A ". Otázky u obhajoby: Jak by jste v práci využil dostupný jazykový model? Jaký má vliv konstanta 10000 na rovnice pozičního kódování 3.23? Jakými mechanismy je možné pracovat s proměnlivou délkou sekvencí?	cs
but.jazyk	čeština (Czech)
but.program	Informační technologie	cs
but.result	práce byla úspěšně obhájena	cs
dc.contributor.advisor	Kišš, Martin	cs
dc.contributor.author	Vešelíny, Peter	cs
dc.contributor.referee	Kolář, Martin	cs
dc.date.created	2019	cs
dc.description.abstract	Táto práca sa zaoberá rozpoznávaním riadkov z historických textov. Historické texty pochádzajú z obdobia od 17. až 19 storočia a sú napísané pomocou fraktúry. Pri rozpoznávaní písma sa používa architektúra neurónovej siete zvaná sequence-to-sequence . Táto architektúra vychádza z modelu kodér-dekodér a používa mechanizmus attention . V rámci práce bola z textov, pochádzajúcich z archívu Deutsches Textarchiv , vytvorená dátová sada. Tento archív obsahuje 3 897 rôznych nemeckých diel, ku ktorým sú dostupné snímky strán a ich prepisy. Vytvorená dátová sada sa následne používa pri trénovaní a experimentovaní s neurónovou sieťou. V rámci experimentov sú skúmané rôzne modely konvolučných sietí, vplyv hyperparametrov siete a účinok pozičného kódovania na výsledky rozpoznávania. Výsledný model dokáže rozpoznať znaky s presnosťou 99,63 %. Prínosom tejto práce je spomínaná dátová sada a neurónová sieť, ktorá sa môže použivať pri rozpoznávaní historických dokumentov.	cs
dc.description.abstract	This thesis deals with text line recognition of historical documents. Historical texts dating back to the 17th - 19th centuries are written in fraktur typeface. The character recognition problem is solved using neural network architecture called sequence-to-sequence . This architecture is based on encoder-decoder model and contains attention mechanism. In this thesis a dataset, from texts originated from German archiv called Deutsches Textarchiv , was created. This archive contains 3 897 different German books that have available transcripts and corresponding images of pages. The created dataset was used to train and experiment with the proposed neural network. During the experiments, several convolutional models, hyperparameters and the effects of positional embedding were investigated. The final tool can recognize characters with accuracy 99,63 %. The contribution of this work is the~mentioned dataset and neural network, which can be used to recognize historical documents.	en
dc.description.mark	A	cs
dc.identifier.citation	VEŠELÍNY, P. Rozpoznávání historických textů pomocí hlubokých neuronových sítí [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2019.	cs
dc.identifier.other	121913	cs
dc.identifier.uri	http://hdl.handle.net/11012/180582
dc.language.iso	cs	cs
dc.publisher	Vysoké učení technické v Brně. Fakulta informačních technologií	cs
dc.rights	Standardní licenční smlouva - přístup k plnému textu bez omezení	cs
dc.subject	rozpoznávanie textu	cs
dc.subject	historický text	cs
dc.subject	neurónová sieť	cs
dc.subject	OCR	cs
dc.subject	konvolučná neurónová sieť	cs
dc.subject	CNN	cs
dc.subject	rekurentná neurónová sieť	cs
dc.subject	RNN	cs
dc.subject	seq2seq	cs
dc.subject	kodér	cs
dc.subject	dekodér	cs
dc.subject	attention	cs
dc.subject	text recognition	en
dc.subject	historical text	en
dc.subject	neural network	en
dc.subject	OCR	en
dc.subject	convolutional neural network	en
dc.subject	CNN	en
dc.subject	recurrent neural network	en
dc.subject	RNN	en
dc.subject	seq2seq	en
dc.subject	encoder	en
dc.subject	decoder	en
dc.subject	attention	en
dc.title	Rozpoznávání historických textů pomocí hlubokých neuronových sítí	cs
dc.title.alternative	Convolutional Networks for Historic Text Recognition	en
dc.type	Text	cs
dc.type.driver	bachelorThesis	en
dc.type.evskp	bakalářská práce	cs
dcterms.dateAccepted	2019-06-13	cs
dcterms.modified	2019-09-02-09:04:31	cs
eprints.affiliatedInstitution.faculty	Fakulta informačních technologií	cs
sync.item.dbid	121913	en
sync.item.dbtype	ZP	en
sync.item.insts	2025.03.18 19:26:49	en
sync.item.modts	2025.01.15 17:00:25	en
thesis.discipline	Informační technologie	cs
thesis.grantor	Vysoké učení technické v Brně. Fakulta informačních technologií. Ústav počítačové grafiky a multimédií	cs
thesis.level	Bakalářský	cs
thesis.name	Bc.	cs

Rozpoznávání historických textů pomocí hlubokých neuronových sítí

Files

Original bundle

Collections