but.committee	prof. Dr. Ing. Pavel Zemčík, dr. h. c. (předseda) prof. Ing. Jan M. Honzík, CSc. (místopředseda) doc. Ing. Jiří Jaroš, Ph.D. (člen) Ing. Filip Orság, 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 C. Otázky u obhajoby: V kapitole 2.6 zmiňujete "minimaximalizaci vedlejšího úkolu sítě", mohl byste tento pojem stručně vysvětlit v kontextu Vaší práce? Jak jste dospěl k tomu, že jste rozdělil datovou sadu IMPACT na právě 16 clusterů? Jak jste postupoval při rozřazování těchto clusterů na trénovací a testovací část? Co je vstupem sítě? Co znamená multi a single-task? Jaké úlohy jste řešil?	cs
but.jazyk	čeština (Czech)
but.program	Informační technologie	cs
but.result	práce byla úspěšně obhájena	cs
dc.contributor.advisor	Kohút, Jan	cs
dc.contributor.author	Trněný, Matěj	cs
dc.contributor.referee	Kišš, Martin	cs
dc.date.created	2021	cs
dc.description.abstract	Cílem práce je vytvořit neuronovou síť pro rozpoznání textu s využitím informace o pisateli. Pro tento účel byla vybrána metoda adversarial learning. Účinost teto metody byla ověřena experimentálně. Vytvořená síť by měla díky použité metodě adversarial learning dosahovat lepších výsledků na datech, která nejsou podobná datům obsaženým v trénovací sadě oproti stávající metodě single-task learning. Výsledná síť dosažená pomocí uvedené metody byla porovnána se současnou metodou rozpoznávání textu metodou single-task learning a multi-task learning. Síť implementující single-task learning dosahuje průměrné chyby při rozpoznávání znaku 7, 995%, síť implementující multi-task learning dosahuje průměrné chyby 7, 565% v porovnání se sítí využívající adversarial learning, která dosahuje úspěšnosti 7, 573%. V porovnání single-task learning dosahuje multi-task learning 5, 38% zlepšení a adversarial learning 5, 28%.	cs
dc.description.abstract	The objective of this theses was to implement a neural network for text recognition enhanced by writers identity. Adversarial learning method was selected for this purpose. Usefulness of this method was verified by experiments. This net should yield better results on data which are not similar to data contained in training data set. Accuracy of the resulting net was compared to method single-task learning and method multi-task learning. Net implementing single-task learning method has reached average character recognition error of 7, 995%, net implementing multi-task learning method has reached average error of 7, 565% and net implementing adversarial learning method has reached average error of 7, 573%. In comparison to the net implementing single-task learning multi-task learning has improvement of 5, 38% and adversarial learning has reached improvement of 5, 28%.	en
dc.description.mark	C	cs
dc.identifier.citation	TRNĚNÝ, M. Rozpoznávání textu s využitím informace o pisateli [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2021.	cs
dc.identifier.other	137588	cs
dc.identifier.uri	http://hdl.handle.net/11012/201108
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	adversarial learning	cs
dc.subject	rozpoznávání textu	cs
dc.subject	neuronové sítě	cs
dc.subject	LSTM	cs
dc.subject	CNN	cs
dc.subject	adversarial learning	en
dc.subject	text recognition	en
dc.subject	neural networks	en
dc.subject	LSTM	en
dc.subject	CNN	en
dc.title	Rozpoznávání textu s využitím informace o pisateli	cs
dc.title.alternative	Text Recognition Enhanced by Writer Identity	en
dc.type	Text	cs
dc.type.driver	bachelorThesis	en
dc.type.evskp	bakalářská práce	cs
dcterms.dateAccepted	2021-08-25	cs
dcterms.modified	2021-08-27-17:16:45	cs
eprints.affiliatedInstitution.faculty	Fakulta informačních technologií	cs
sync.item.dbid	137588	en
sync.item.dbtype	ZP	en
sync.item.insts	2025.03.18 19:38:32	en
sync.item.modts	2025.01.15 17:17:05	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 textu s využitím informace o pisateli

Files

Original bundle

Collections