21. Prepoznavanje objektov iz satelitskih slik z metodami globokega učenja na vgrajeni napravi : diplomsko deloMartin Domajnko, 2021, diplomsko delo Opis: V diplomskem delu rešujemo problem prepoznavanja prometa iz satelitskih slik. Cilj je bil uporabiti metode globokega učenja, pognati modele na izbranih vgrajenih napravah in doseči povprečno natančnost vsaj 75 % pri hitrosti izvajanja 5 sličic na sekundo. Za eksperiment uporabimo modela Faster R-CNN in SSD iz knjižnic Detectron2 ter TensorFlow Object Detection API. Fazi učenja in testiranja izvedemo na satelitskih slikah baze podatkov xView, katere predhodno razdelimo na učno in testno množico. Na učni množici izvedemo tudi bogatenje slik. Naučene modele preizkusimo na grafičnih karticah Nvidia GeForce GTX 970 ter Nvidia Titan X Pascal, na procesorju Intel Core i7-4790 in na vgrajenih napravah Intel Neural Compute Stick 2 ter Nvidia Jetson TX2. Preizkuse izvedemo s pomočjo skript napisanih v programskem jeziku Python3. Te izvozijo modele v posebno zamrznjeno stanje, jih optimizirajo za izvajanje na izbrani napravi in izmerijo njegovo hitrost ter natančnost. Najvišjo povprečno natančnost 37,33 % dosežemo z modelom Faster R-CNN iz knjižnice Detectron2. Z modelom SSD iz knjižnice TensorFlow Object Detection API na grafični kartici Nvidia GeForce GTX 970 dosežemo povprečno hitrost izvajanja 84,5 sličic na sekundo. Demonstrirana rešitev v diplomskem delu je primerna za izvajanje na vgrajenih napravah, a žal ni dovolj natančna. Za doseganje boljših rezultatov moramo našo rešitev izvajati na hitrejši strojni opremi, ki podpira večje ter s tem natančnejše modele.
Ključne besede: strojno učenje, globoko učenje, vgrajene naprave, prepoznavanje objektov, satelitske slike, računalniški vid
Objavljeno v DKUM: 18.10.2021; Ogledov: 1013; Prenosov: 121
 Celotno besedilo (34,13 MB) |
22. Razvoj sistema za pretvorbo besedil v govor z globokimi nevronskimi mrežami : magistrsko deloMatevž Bratina, 2021, magistrsko delo Opis: V magistrski nalogi smo razvili sistem pretvorbe besedila v govor PLATTOS za več jezikov. Sistem bazira na osnovi globokih nevronskih mrež. Osnovni cilj naloge je bil razviti in testirati sistem sinteze govora na osnovi globokega učenja, ki bo čim bolje generiral govor v več jezikih, pri čemer je tudi pomemben čas generiranja. Prvi del naloge tako predstavlja pregled tehnologij sistemov sinteze govora in njihova podrobnejša analiza. Zanimala nas je namreč arhitektura sistema sinteze govora, medsebojna primerjava zmogljivosti sistemov, njihov razvoj in kvaliteta sintetiziranega signala, ki ga določen TTS lahko generira. Sledila je izbira tehnologije globokega učenja, in razvoj novega TTS sistema. Izbrali smo tisto, ki je izkazovala največji potencial, da izpolni vse zastavljene cilje. Sledil je razvoj TTS sistema. Za prvo stopnjo (pretvorba vhodnega besedila v spektrogram) smo izbrali Tacotron globoki model. Ta je namenjen pretvorbi spektrogramov v pripadajoči govorni signal. V drugi stopnji, smo izbrali vokoder Waveglow. Pred izbiro komponent sistema, smo različne tipe vokoderjev in rekonstrukcijskih algoritmov tudi testirali. Sistem TTS na osnovi globokih nevronskih mrež PLATTOS smo testirali na različnih prosto dostopnih bazah govornih podatkov večih jezikov. Ocenjevali in primerjali smo tudi kvaliteto sinteze govora različnih arhitektur z globokimi nevronskimi mrežami. Kot kriterij kvalitete sinteze govora, smo bili predvsem pozorni na naravnost in razumljivost sintetiziranega govora. Pri ocenjevanju kvalitete smo tako uporabili subjektivne MUSHRA teste. Pokazalo se je, da kombinacija globokih nevronskih modelov Tacotron in Waveglow zagotovi najboljše rezultate v večih jezikih, kar se tiče kvalitete sintetiziranega govora in hitrosti generiranja odziva.
Ključne besede: globoko učenje, nevronska mreža, sinteza govora, umetna inteligenca, Pytorch, Tensorflow, Tacotron, Waveglow, Wavenet, WaveRNN
Objavljeno v DKUM: 18.10.2021; Ogledov: 877; Prenosov: 119
Celotno besedilo (3,01 MB) |
23. Napovedovanje verjetnosti neplačila z nevronskimi mrežamiUrban Rajter, 2021, magistrsko delo Opis: Umetna inteligenca se nanaša na teorijo in razvoj računalniških sistemov, ki lahko opravljajo naloge, ki običajno zahtevajo človeško inteligenco. Podskupina strojnega učenja je globoko učenje, kjer se umetne nevronske mreže, algoritmi, ki jih navdihujejo človeški možgani, učijo iz velikih količin podatkov. Podobno, kot se ljudje učimo iz izkušenj, bi algoritem globokega učenja večkrat ponovil isto nalogo in jo vsakič nekoliko prilagodil, da bi izboljšal rezultat. V tej magistrski nalogi so predstavljene nevronske mreže, tipi nevronskih mrež in njihova uporaba. Podrobneje je opisana uporaba nevronskih mrež za namene napovedovanja verjetnosti neplačila. Uporabljen je model globoke nevronske mreže na anonimiziranih podatkih podjetja. Opisan je postopek priprave podatkov in postopek učenja modela na vhodnih podatkih. Analiza končnega rezultata pove, da je uporaba nevronskih mrež smiselna, saj algoritem nudi visoko natančnost.
Ključne besede: strojno učenje, nevronske mreže, globoko učenje, globoke nevronske mreže, kreditno tveganje
Objavljeno v DKUM: 02.08.2021; Ogledov: 1613; Prenosov: 194
Celotno besedilo (1,95 MB) |
24. Prepoznava prstov s pomočjo globokega učenja : magistrsko deloRobert Kopušar, 2021, magistrsko delo Opis: Magistrsko delo obravnava problematiko prepoznavanja prstov na roki, s pomočjo katere lahko v ozadju upravljamo najrazličnejše naloge in procese. Delo je zasnovano kot predstavitev reševanja iste problematike s pomočjo dveh različnih pristopov in predstavitev njunih prednosti in slabosti. Z uporabo tehnologije iskanja vzorca v sliki smo se problematike lotili na direkten način in v sliki sami iskali značilnost, s pomočjo katere smo iz slike razbrali tudi želeno gesto rok s prsti. Z uporabo tehnologije globokega učenja smo iskanje značilnosti prepustili umetni inteligenci, a smo zato na začetku potrebovali veliko bazo že rešenih primerov prepoznav. Dognanja iz tega dela dajejo dobra izhodišča vsem raziskovalcem in inženirjem pri nadaljnjemu raziskovanju in implementaciji sistemov slikovne prepoznave, ki temeljijo na tehnologiji strojnega vida ali globokega učenja.
Ključne besede: slikovno prepoznavanje, globoko učenje, LabVIEW, TensorFlow, prst
Objavljeno v DKUM: 21.06.2021; Ogledov: 1683; Prenosov: 111
Celotno besedilo (5,33 MB) |
25. Razvoj sistema detekcije objektov za avtonomna vozila z uporabo tehnologije LiDAR : magistrsko deloPeter Fekonja, 2021, magistrsko delo Opis: V magistrskem delu je predstavljena uporaba LiDAR sistemov in globokega učenja v kontekstu avtonomnih vozil. Delo vključuje teoretično in eksperimentalno delo. V teoretičnem delu predstavimo aktualne rešitve za razvoj LiDAR sistemov, najpogosteje uporabljene pristope za globoko učenje in metode obdelave LiDAR točkovnih oblakov z nevronskimi mrežami. Prav tako so predstavljeni aktualni senzorski sistemi na trenutni generaciji avtonomnih vozil, podatkovne baze namenjene učenju nevronskih mrež za uporabo v avtonomnih vozilih in trenutna generacija nizkocenovnih LiDAR senzorjev. V eksperimentalnem delu naloge je podrobno predstavljena zmogljivost Livox Mid-40 LiDAR sistema ter njegova uporaba v lastni rešitvi za detekcijo objektov v prometu. Podrobno je predstavljen razvoj lastne nevronske mreže kot klasifikatorja, razvoj lastnega pristopa za lokalizacijo objektov in primerjava naših rešitev z že obstoječimi pristopi. Naš pristop k lokalizaciji objektov je dosegal boljše ali primerljive rezultate z obstoječimi metodami, v kombinaciji z našim klasifikatorjem pa bistveno slabše rezultate od trenutnih enovitih modelov nevronskih mrež s prenosom znanja.
Ključne besede: LiDAR, Livox Mid-40, avtonomna vozila, globoko učenje, klasifikacija, lokalizacija
Objavljeno v DKUM: 01.03.2021; Ogledov: 1563; Prenosov: 98
Celotno besedilo (8,28 MB) |
26. Ocenjevanje starosti osebe na osnovi digitalnih posnetkov z uporabo konvolucijskih nevronskih mrež : magistrsko deloTilen Krel, 2021, magistrsko delo Opis: Magistrsko delo se ukvarja z ocenjevanjem starosti osebe na osnovi digitalnih posnetkov z uporabo konvolucijskih nevronskih mrež. Razvit in implementiran je bil lasten model konvolucijske nevronske mreže za ocenjevanje starosti osebe iz digitalnega posnetka. Kot osnova za naš model je bila uporabljena in modificirana obstoječa arhitektura konvolucijske nevronske mreže VGG-Face, namenjena razpoznavanju obrazov. Za učenje in testiranje sta bili uporabljeni bazi podatkov IMDB-WIKI in FG-NET. Na bazi podatkov IMDB-WIKI je bila dosežena povprečna napaka med dejansko in ocenjeno starostjo 6,7 leta, na bazi podatkov FG-NET pa z validacijsko metodo »izpusti-eno-osebo« izračunana povprečna napaka med dejansko in ocenjeno starostjo 3,9 leta. Dobljeni rezultati so primerljivi oziroma le malo zaostajajo za najuspešnejšimi metodami za ocenjevanje starosti osebe z digitalnega posnetka. Na tej osnovi se naš model ocenjuje kot primeren za uporabo v produkcijskih rešitvah.
Ključne besede: računalniški vid, konvolucijske nevronske mreže, globoko učenje, ocenjevanje starosti
Objavljeno v DKUM: 17.02.2021; Ogledov: 1838; Prenosov: 146
Celotno besedilo (1,01 MB) |
27. Uporaba umetne inteligence v rešitvah crm na primeru rešitve salesforceNina Belšak, 2020, diplomsko delo Opis: Kupec je najpomembnejši del prodajnega procesa, saj brez kupca ni prodaje in brez prodaje ni dobička. Zato je upravljanje odnosov s kupci, skrajšano CRM, bil in bo ostal eden najpomembnejših pojmov na področju prodaje. Skozi leta se je prodajni proces spreminjal, z njim pa so se spreminjale zahteve in pričakovanja strank. Zaradi vedno večjih zahtev strank, velikih količin podatkov in vedno več dela, so nastali prvi CRM sistemi.
V prvem delu diplomske naloge bo podrobneje opisano celotno področje upravljanja odnosov s strankami. Opisane bodo funkcionalnosti, vrste, prednosti in slabosti ter cilji in trendi CRM rešitev. V zadnjih letih je vedno pogostejši CRM v oblaku, preko katerega se povežemo s pomočjo internetne povezave. Sistemi, ki temeljijo na oblaku, omogočajo hitrejše, enostavnejše in cenejše prilagajanje spremembam. Zato jih je lažje integrirati tudi z drugimi aplikacijami.
V drugem delu bo opisana integracija CRM-ja z AI. AI oziroma umetna inteligenca pomeni zmožnost posnemanja človeških reakcij, dejanj in čustev s pomočjo strojev, robotov in računalnikov. AI rešitev CRM rešitev nadgrajuje s svojimi naprednimi funkcijami, kot so: strojno učenje, globoko učenje, avtomatizacija procesov, napovedi prodaje in uspešnih poslov, prilagojeni klepeti, obdelava naravnega jezika, strojni vid, čustvena analitika in mnoge druge.
Na koncu diplomske naloge bo predstavljeno podjetje Salesforce, ki je globalna in vodilna platforma za CRM, uporablja pa jo več kot 150.000 podjetij po vsem svetu. Je sistem, s samostojnimi aplikacijami za prodajo, ki temeljijo na oblaku, zato jih lahko na enostavne načine integriramo z zunanjimi aplikacijami, kot so e-pošta in socialni mediji. Ena izmed najvplivnejših rešitev Salesforca je Einstein. Salesforce Einstein pozitivno vpliva na področja marketinga, prodaje in storitev za stranke. Opisane bodo zmogljivosti in prednosti, ki jih rešitev Salesforce Einstein predstavlja za različna podjetja. Je eden izmed primerov umetne inteligence integrirane z rešitvijo CRM.
Ključne besede: Upravljanje odnosov s strankami, Umetna inteligenca, Salesforce, Einstein, Strojno učenje, Globoko učenje, Sistem v oblaku, Prodajni proces
Objavljeno v DKUM: 24.11.2020; Ogledov: 1179; Prenosov: 173
Celotno besedilo (1,31 MB) |
28. Razvoj umetne inteligence pri tehnoloških multinacionalkahAljaž Vitko, 2020, magistrsko delo Opis: Umetna inteligenca je široka panoga računalništva, ki se ukvarja z gradnjo pametnih strojev, sposobnih za izvajanje nalog, ki običajno zahtevajo človeško inteligenco. Gre za interdisciplinarno znanost z več pristopi, vendar napredek v strojnem učenju, kakor tudi v globokem učenju ustvarja premik paradigme v skoraj vseh sektorjih tehnološke industrije. Pojem umetne inteligence je za marsikoga še nekaj novega in neraziskanega, vendar najdemo zametke umetne inteligence že v letu 1950, ko se je matematik Alan Turing spraševal, ali lahko stroji mislijo. Pomembno je razumevanje in razlikovanje pojmov umetne inteligence, strojnega učenja in globokega učenja. Umetno inteligenco smo že na kratko povzeli, strojno učenje je podvrsta umetne inteligence, kjer gre za učenje iz izkušenj, globoko učenje je nadalje podskupina strojnega učenja, ki se je sposobno učiti samo. Pomembnost umetne inteligence se skozi leta samo povečuje, kar pa ne preseneča, saj le ta prinaša olajšanje človekovega življenja, podjetjem pa prinaša korist od povečane donosnosti in gospodarsko rast. Umetna inteligenca prinaša številne prednosti, posledično pa se je težko izogniti tudi določenim slabostim. Kot splošno prednost lahko izpostavimo, da umetna inteligenca opravlja rutinska dela namesto ljudi, ki lahko v tem času opravijo zanj pomembnejša oziroma umsko zahtevnejša dela. Kar je ob enem lahko prednost, pa je lahko tudi slabost, saj lahko pride do kršenja zasebnosti (varstvo osebnih podatkov) ali pa ukinitve delovnega mesta zaradi avtomatizacije. Skupaj z razvojem umetne inteligence se mora zato razvijati tudi etičnost, katera se mora vgraditi v sisteme, tako da je v skladu z našimi standardi in človekovimi pravicami in svoboščinami. V empiričnem delu magistrske naloge smo se osredotočili na analizo umetne inteligence pri svetovnih multinacionalkah. Zanimalo nas je, ali imajo podjetja s podobno dejavnostjo tudi podobno razvito umetno inteligenco, zato smo le to preučevali med dvema podjetjema, ki se ukvarjata s podobno dejavnostjo in sicer je primerjava stekla med spletnima družbenima omrežjema (Facebook in Twitter), spletnima iskalnikoma (Google in Bing), spletnima trgovinama (Alibaba in Amazon). Z analizo smo pri vsaki dvojici podjetij našli skupna stičišča in jih tudi predstavili. Nadalje nas je zanimalo, ali lahko pri vseh preučevanih podjetjih najdemo kakšno skupno točko in glede da gre za tehnološke multinacionalke smo lahko tudi pri tem našli povezave, kakor pa tudi razlike v razvitosti. Za vsa podjetja lahko sklenemo, da so se intenzivno usmerila v razvoj umetne inteligence in so le to povzpela na visoki nivo, še vedo pa tudi sami vidijo možne izboljšave in nadaljnji razvoj, v katerega tudi vlagajo veliko sredstev. Skozi magistrsko nalogo smo želeli prikazati, da se umetni inteligenci v današnjem času več ne moremo izogniti niti v zasebnem življenju. Večina velikih podjetij je umetno inteligenco že vključila v svoje poslovanje, srednje velika in mala podjetja pa se ji prav tako več ne bodo mogla izogibati, če želijo slediti hitro spreminjajočem se poslovnem okolju. Ker pa je umetna inteligenca skoraj tako pametna kot človek, v nekaterih pogledih ga celo prekaša, pa bo ključno tudi, da se uredi stroga globalna zakonodaja v izogib potencialnim zlorabam.
Ključne besede: umetna inteligenca, strojno učenje, globoko učenje, tehnologija, umetna inteligenca v podjetjih
Objavljeno v DKUM: 09.11.2020; Ogledov: 1496; Prenosov: 312
Celotno besedilo (1,19 MB) |
29. |
30. Prepoznava divjih živali na slikah z uporabo rezidualnih nevronskih mrež : diplomsko deloMitja Lakič, 2020, diplomsko delo Opis: V diplomskem delu se ukvarjamo s prepoznavanjem divjih živali na slikah z uporabo rezidualnih nevronskih mrež. Namen diplomskega dela je predstaviti rezidualne nevronske mreže in probleme, ki jih te mreže rešujejo. Pri prepoznavanju živali smo se omejili na 10 različnih kategorij divjih živali, podatkovna množica pa je bila sestavljena iz 10.000 slik. Rešitev smo razvili s pomočjo programskega jezika Python in programske knjižnice PyTorch. Primerjali smo rezultate treh različnih modelov nevronskih mrež, kjer je najboljši model dosegel 99,9-% točnost prepoznavanja. Ugotovili smo, da rezidualne nevronske mreže z uporabo preskočnih povezav zelo ugodno vplivajo na točnost modela, pri tem pa se najbolje izkažejo modeli, ki so bili predhodno naučeni.
Ključne besede: rezidualna nevronska mreža, računalniški vid, prepoznavanje divjih živali, globoko učenje, izginjajoči gradient
Objavljeno v DKUM: 03.11.2020; Ogledov: 888; Prenosov: 112
Celotno besedilo (2,67 MB) |
