Efektivnost hlubokých konvolučních neuronových sítí na elementární klasifikační úloze

Simple item page
but.committeedoc. Ing. Jan Roupec, Ph.D. (předseda) prof. RNDr. Ing. Jiří Šťastný, CSc. (místopředseda) prof. Ing. Miluše Vítečková, CSc. (člen) prof. Ing. Roman Šenkeřík, Ph.D. (člen) prof. Ing. Dagmar Janáčová, CSc. (člen)cs
but.defenceStudent obeznámil komisi s obsahem DP. Následně reagoval na dotazy oponenta. Další dotazy komise: Doc. Šenkeřík: co je matice záměn a jaké existují další metriky pro evaluaci klasifikátorů.cs
but.jazykčeština (Czech)
but.programStrojní inženýrstvícs
but.resultpráce byla úspěšně obhájenacs
dc.contributor.advisorŠkrabánek, Pavelcs
dc.contributor.authorPrax, Jancs
dc.contributor.refereeDobrovský, Ladislavcs
dc.date.created2021cs
dc.description.abstractV této diplomové práci jsou srovnány modely hlubokých konvolučních neuronových sítí a modely deskriptorů příznaků. Modely deskriptorů příznaků jsou doplněny o vybraný vhodný klasifikátor. Tyto modely spadají do oblasti strojového učení, a tudíž jsou v práci popsány typy strojového učení. Dále jsou tyto vybrané modely popsány a vysvětleny jejich základy a problémy. Je vypsán hardware a software použitý k uskutečnění testů a jsou vypsány výsledky testů a shrnutí výsledků. Pak je provedeno srovnání uvedených modelů na základě přesnosti validace a časové náročnosti.cs
dc.description.abstractIn this thesis deep convolutional neural networks models and feature descriptor models are compared. Feature descriptors are paired with suitable chosen classifier. These models are a part of machine learning therefore machine learning types are described in this thesis. Further these chosen models are described, and their basics and problems are explained. Hardware and software used for tests is listed and then test results and results summary is listed. Then comparison based on the validation accuracy and training time of these said models is done.en
dc.description.markCcs
dc.identifier.citationPRAX, J. Efektivnost hlubokých konvolučních neuronových sítí na elementární klasifikační úloze [online]. Brno: Vysoké učení technické v Brně. Fakulta strojního inženýrství. 2021.cs
dc.identifier.other132472cs
dc.identifier.urihttp://hdl.handle.net/11012/197411
dc.language.isocscs
dc.publisherVysoké učení technické v Brně. Fakulta strojního inženýrstvícs
dc.rightsStandardní licenční smlouva - přístup k plnému textu bez omezenícs
dc.subjectDeskriptor příznakůcs
dc.subjectneuronové sítěcs
dc.subjecthluboké neuronové sítěcs
dc.subjectHOGcs
dc.subjectSIFTcs
dc.subjectSVMcs
dc.subjectResNetcs
dc.subjectEfficientNet.cs
dc.subjectFeature extractoren
dc.subjectneural networksen
dc.subjectdeep neural networksen
dc.subjectHOGen
dc.subjectSIFTen
dc.subjectSVMen
dc.subjectResNeten
dc.subjectEfficientNet.en
dc.titleEfektivnost hlubokých konvolučních neuronových sítí na elementární klasifikační úlozecs
dc.title.alternativeEfficiency of deep convolutional neural networks on an elementary classification tasken
dc.typeTextcs
dc.type.drivermasterThesisen
dc.type.evskpdiplomová prácecs
dcterms.dateAccepted2021-06-14cs
dcterms.modified2021-06-14-16:22:31cs
eprints.affiliatedInstitution.facultyFakulta strojního inženýrstvícs
sync.item.dbid132472en
sync.item.dbtypeZPen
sync.item.insts2025.03.27 10:30:44en
sync.item.modts2025.01.15 13:44:02en
thesis.disciplineAplikovaná informatika a řízenícs
thesis.grantorVysoké učení technické v Brně. Fakulta strojního inženýrství. Ústav automatizace a informatikycs
thesis.levelInženýrskýcs
thesis.nameIng.cs
Files
Original bundle
Now showing 1 - 3 of 3
Thumbnail Image
Name:
final-thesis.pdf
Size:
1.4 MB
Format:
Adobe Portable Document Format
Description:
final-thesis.pdf
Download
Thumbnail Image
Name:
appendix-1.zip
Size:
5.01 KB
Format:
zip
Description:
appendix-1.zip
Download
Thumbnail Image
Name:
review_132472.html
Size:
11.24 KB
Format:
Hypertext Markup Language
Description:
file review_132472.html
Download
Collections
2021