but.committee	doc. Ing. Peter Chudý, Ph.D., MBA (předseda) doc. RNDr. Pavel Smrž, Ph.D. (místopředseda) doc. Ing. Petr Matoušek, Ph.D., M.A. (člen) Ing. Filip Orság, Ph.D. (člen) doc. Ing. Zdeněk Vašíček, 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 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: Vysvětlete výsledky experimentů. Při trénování musíte mít pro každého pisatele vytvořenou samostatnou neuronovou síť?	cs
but.jazyk	čeština (Czech)
but.program	Informační technologie	cs
but.result	práce byla úspěšně obhájena	cs
dc.contributor.advisor	Hradiš, Michal	cs
dc.contributor.author	Sladký, Jan	cs
dc.contributor.referee	Kišš, Martin	cs
dc.date.created	2020	cs
dc.description.abstract	Tato práce se zabývá rozpoznáváním ručně psaného textu za pomoci konvolučních neuronových sítí. Ze současných metod byl vybrán model sítě skládající se z konvolučních a rekurentních sítí s Connectionist Temporal Classification. Do takovéhoto modelu byl následně implementován prvek Vertical Attention Module, který vybírá relevantní informace v každém sloupci odpovídající textu na obrázku. Tento modul byl následně pomocí experimentů porovnáván s dalšími možnostmi vertikální agregace mezi konvoluční a rekurentní sítí. Experimenty probíhaly na datové sadě obsahující přes 80 000 řádků textu z českých dopisů 20. století. Výsledky ukazují, že Vertical Attention Module dosahuje téměř vždy nejlepších výsledků na všech použitých typech konvolučních sítí. Výsledná síť dosáhla nejlepšího výsledku při chybě 8,9% na znak. Přínosem této práce je neuronová síť s nově zavedeným prvkem, která dokáže rozpoznávat řádky textu.	cs
dc.description.abstract	This thesis deals with handwriting recognition using convolutional neural networks. From the current methods, a network model was chosen to consist of convolutional and recurrent neural networks with the Connectist Temporal Classification. The Vertical Attention Module, which selects the relevant information in each column corresponding to the text in the figure was subsequently implemented in such a model. Then, this module was compared with other possibilities of vertical aggregation between convolutional and recurrent networks. The experiments took place on a data set containing over 80,000 lines of text from Czech letters from the 20th century. The results show that the Vertical Attention Module almost always achieves the best results on all used types of convolution networks. The resulting network achieved the best result with 8,9% of the character error rate. The contribution of this work is a neural network with a newly introduced element that can recognize lines of text.	en
dc.description.mark	C	cs
dc.identifier.citation	SLADKÝ, J. Rozpoznávání ručně psaného textu pomocí konvolučních sítí [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2020.	cs
dc.identifier.other	129871	cs
dc.identifier.uri	http://hdl.handle.net/11012/194947
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	Rozpoznávání ručně psaného textu	cs
dc.subject	HTR	cs
dc.subject	konvoluční neuronové sítě	cs
dc.subject	CNN	cs
dc.subject	rekurentní neuronové sítě	cs
dc.subject	RNN	cs
dc.subject	Connectist Temporal Classificatio	cs
dc.subject	CTC	cs
dc.subject	Vertical Attention Module	cs
dc.subject	VAM	cs
dc.subject	vertikální agregace	cs
dc.subject	Handwritten text recognition	en
dc.subject	HTR	en
dc.subject	convolutional neural network	en
dc.subject	CNN	en
dc.subject	recurrent neural network	en
dc.subject	RNN	en
dc.subject	Connectist Temporal Classificatio	en
dc.subject	CTC	en
dc.subject	Vertical Attention Module	en
dc.subject	VAM	en
dc.subject	vertical aggregation	en
dc.title	Rozpoznávání ručně psaného textu pomocí konvolučních sítí	cs
dc.title.alternative	Convolutional Networks for Handwriting Recognition	en
dc.type	Text	cs
dc.type.driver	bachelorThesis	en
dc.type.evskp	bakalářská práce	cs
dcterms.dateAccepted	2020-08-27	cs
dcterms.modified	2020-08-27-21:21:46	cs
eprints.affiliatedInstitution.faculty	Fakulta informačních technologií	cs
sync.item.dbid	129871	en
sync.item.dbtype	ZP	en
sync.item.insts	2025.03.18 19:33:05	en
sync.item.modts	2025.01.15 20:30:25	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 ručně psaného textu pomocí konvolučních sítí

Files

Original bundle

Collections