but.committee	prof. Ing. Adam Herout, Ph.D. (předseda) doc. Ing. Lukáš Burget, Ph.D. (místopředseda) doc. Ing. Vítězslav Beran, Ph.D. (člen) Ing. Michal Hradiš, Ph.D. (člen) Ing. Zbyněk Křivka, Ph.D. (člen) Ing. Filip Orság, 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: Jaké jsou konkrétní aplikace rozpoznávání planktonu? Popište několik příkladů. Byly na použitém datasetu publikované další výsledky, nebo je to nový dataset a vaše výsledky jsou jediné existující? Zkusil jste použit nějaký volné dostupný dataset? Jak moc je důležitá přesnost u takovéhoto druhu úlohy? Jaké druhy předpracováváni používáte pro vstupní obrázky?	cs
but.jazyk	angličtina (English)
but.program	Informační technologie	cs
but.result	práce byla úspěšně obhájena	cs
dc.contributor.advisor	Zemčík, Pavel	en
dc.contributor.author	Bureš, Jaroslav	en
dc.contributor.referee	Juránek, Roman	en
dc.date.created	2020	cs
dc.description.abstract	Tato práce pojednává o technikách automatické analýzy obrazu založené na konvolučních neuronových sítích (CNN), zaměřených na klasifikaci planktonu. V oblasti studování planktonu panuje velká diverzita v jeho tvarech a velikostech. Kvůli tomuto bývá klasifikace pomocí CNN náročná, jelikož CNN typicky požadují definovanou velikost vstupu. Běžné metody využívají škálování obrazu do jednotné velikosti. Avšak kvůli tomuto jsou ztraceny drobné detaily potřebné ke správné klasifikaci. Cílem práce bylo navrhnout a implementovat CNN klasifikátor obrazových dat planktonu a prozkoumat metody, které jsou zaměřené na problematiku různorodých velikostí obrázků. Metody, jako jsou patch cropping, využití spatial pyramid pooling vrstvy, zahrnutí metadat a sestavení multi-stream modelu jsou vyhodnoceny na náročném datasetu obrázků fytoplanktonu. Takto bylo dosaženo zlepšení o 1.0 bodů pro InceptionV3 architekturu s výslednou úspěšností 96.2 %. Hlavním přínosem této práce je vylepšení CNN klasifikátorů planktonu díky úspěšné aplikaci těchto metod.	en
dc.description.abstract	This work considers techniques of automatic image analysis based on convolutional neural networks (CNN) focused on plankton classification. There is a large variation in the shapes and sizes of plankton images. This makes the classification for CNN based methods challenging since CNNs typically require a fixed input size. Naive methods utilize scaling of the images to a common size. However, this operation leads to the loss of small details that are necessary for correct classification. The aim of this work was to design and implement a CNN-based classifier of plankton images and explore possible methods that can deal with a variety of image sizes. Multiple methods such as patch cropping, utilization of a spatial pyramid pooling layer, inclusion of metadata and construction of multi-stream model were evaluated on a challenging dataset of phytoplankton images. With these methods an improvement of 1.0 point was achieved for the InceptionV3 architecture resulting in an accuracy of 96.2 %. The main contribution of this thesis is an improvement of multiple CNN plankton classifiers by successfully applying these methods.	cs
dc.description.mark	A	cs
dc.identifier.citation	BUREŠ, J. Klasifikace obrazů planktonu s proměnlivou velikosti pomocí konvoluční neuronové sítě [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2020.	cs
dc.identifier.other	129331	cs
dc.identifier.uri	http://hdl.handle.net/11012/192511
dc.language.iso	en	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	Plankton	en
dc.subject	strojové učení	en
dc.subject	konvoluční neuronové sítě	en
dc.subject	klasifikace	en
dc.subject	zpracování obrazu	en
dc.subject	rozmanitá velikost obrazu	en
dc.subject	počítačové vidění	en
dc.subject	Plankton	cs
dc.subject	machine learning	cs
dc.subject	convolutional neural network	cs
dc.subject	classification	cs
dc.subject	image processing	cs
dc.subject	varying image size	cs
dc.subject	computer vision	cs
dc.title	Klasifikace obrazů planktonu s proměnlivou velikosti pomocí konvoluční neuronové sítě	en
dc.title.alternative	Classification of Varying-Size Plankton Images with Convolutional Neural Network	cs
dc.type	Text	cs
dc.type.driver	masterThesis	en
dc.type.evskp	diplomová práce	cs
dcterms.dateAccepted	2020-07-17	cs
dcterms.modified	2020-07-17-14:44:57	cs
eprints.affiliatedInstitution.faculty	Fakulta informačních technologií	cs
sync.item.dbid	129331	en
sync.item.dbtype	ZP	en
sync.item.insts	2025.03.26 15:31:52	en
sync.item.modts	2025.01.15 11:34:25	en
thesis.discipline	Inteligentní systémy	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

Klasifikace obrazů planktonu s proměnlivou velikosti pomocí konvoluční neuronové sítě

Files

Original bundle

Collections