but.committee	prof. Dr. Ing. Pavel Zemčík, dr. h. c. (předseda) doc. RNDr. Jitka Kreslíková, CSc. (místopředseda) Ing. Vladimír Bartík, Ph.D. (člen) doc. Mgr. Lukáš Holík, Ph.D. (člen) Ing. Filip Orság, Ph.D. (člen) Ing. Libor Polčák, 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 C. Otázky u obhajoby: Velikost dávky 1 je rozumná? Jakým způsobem jste nastavoval ostatní hyperparametry? Proč výstupy na snímcích s GT (Obr. 6.2) a bez GT (Obr. 6.3) vypadají velmi odlišně? (artefakty v 6.3) Co je ta embedding síť? Jak vznikla? To nikdo něco podobného s EDS zatím nezkoušel? Jaký mají význam FPR a TPR? Jsou doopravdy vypovídající o kvalitě výstupu?	cs
but.jazyk	čeština (Czech)
but.program	Informační technologie a umělá inteligence	cs
but.result	práce byla úspěšně obhájena	cs
dc.contributor.advisor	Juránek, Roman	cs
dc.contributor.author	Le, Hoang Anh	cs
dc.contributor.referee	Hradiš, Michal	cs
dc.date.created	2021	cs
dc.description.abstract	Cílem práce bylo zlepšit kvalitu rekonstrukce řídce vzorkovaných mikroskopických snímků pomocí neuronových sítí. V práci budou popsány různé přístupy k rekonstrukci obrazu. Budou zde popsaný i použité implementace, nad kterými bylo provedeno vyhodnocení z pohledu rekonstrukce a segmentace, která je právě jejich hlavní možnou aplikací.	cs
dc.description.abstract	The main goal of this thesis was to increase reconstruction quality of sparse sampled microscopic images by using neural networks. The thesis will cover various approaches for image reconstruction and will also include descriptions of implementations, which were used. Implementations will be evaluated based on quality of reconstruction, but also based on segmentation, which could be their main possible application.	en
dc.description.mark	C	cs
dc.identifier.citation	LE, H. Rekonstrukce řídce vzorkovaného obrazu pomocí hlubokého učení [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2021.	cs
dc.identifier.other	136739	cs
dc.identifier.uri	http://hdl.handle.net/11012/200116
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	Neuronová síť	cs
dc.subject	GAN	cs
dc.subject	U-Net	cs
dc.subject	rekonstrukce obrazu	cs
dc.subject	segmentace	cs
dc.subject	strojové učení	cs
dc.subject	Neural network	en
dc.subject	GAN	en
dc.subject	U-Net	en
dc.subject	image reconstruction	en
dc.subject	segmentation	en
dc.subject	machine learning	en
dc.title	Rekonstrukce řídce vzorkovaného obrazu pomocí hlubokého učení	cs
dc.title.alternative	Reconstruction of Sparse Sampled Images with Deep Learning	en
dc.type	Text	cs
dc.type.driver	masterThesis	en
dc.type.evskp	diplomová práce	cs
dcterms.dateAccepted	2021-06-23	cs
dcterms.modified	2021-06-24-11:35:09	cs
eprints.affiliatedInstitution.faculty	Fakulta informačních technologií	cs
sync.item.dbid	136739	en
sync.item.dbtype	ZP	en
sync.item.insts	2025.03.26 15:32:52	en
sync.item.modts	2025.01.17 10:43:03	en
thesis.discipline	Vývoj aplikací	cs
thesis.grantor	Vysoké učení technické v Brně. Fakulta informačních technologií. Ústav počítačové grafiky a multimédií	cs
thesis.level	Inženýrský	cs
thesis.name	Ing.	cs

Rekonstrukce řídce vzorkovaného obrazu pomocí hlubokého učení

Files

Original bundle

Collections