| | SLO | ENG | Piškotki in zasebnost

Večja pisava | Manjša pisava

Iskanje po katalogu digitalne knjižnice Pomoč

Iskalni niz: išči po
išči po
išči po
išči po
* po starem in bolonjskem študiju

Opcije:
  Ponastavi


1 - 10 / 35
Na začetekNa prejšnjo stran1234Na naslednjo stranNa konec
1.
Razvoj sistema za pretvorbo besedil v govor z globokimi nevronskimi mrežami
Matevž 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: 18.10.2021; Ogledov: 7; Prenosov: 3
.pdf Celotno besedilo (3,01 MB)

2.
Razpoznavanje obraza z lasersko in radarsko tehniko
Arben Jahiri, 2021, magistrsko delo

Opis: V magistrskem delu je opisan in predstavljen postopek zaznave in razpoznave obraza s pomočjo radarske in laserske tehnike. V prvem delu je opisano delovanje radarja in predstavljeni postopki postavitev tarč v vidno območje radarja ter procesiranje signalov za pridobitev končne slike. V drugem delu je prikazan postopek zajemanja slik zaznanih obrazov s Kinectom in učenje modela s Siamsko nevronsko mrežo za razpoznavanje obrazov. V sklepu so predstavljeni rezultati raziskave in preverjanja zaznave ter razpoznave obraza z radarjem in s Kinectom.
Ključne besede: Frekvenčno moduliran radar s kontinuiranim signalom, radar z umetno odprtino, MATLAB, Kinect, zaznava in razpoznava obraza, Siamska nevronska mreža
Objavljeno: 18.10.2021; Ogledov: 6; Prenosov: 3
.pdf Celotno besedilo (3,91 MB)

3.
Phase-Functioned neural networks for computer character control
Ivan Gradečak, 2020, magistrsko delo

Opis: Metode strojnega učenja so v zadnjem desetletju omogočile preboj v učinkovitosti računalnikov pri reševanju problemov, kot so prepoznavanje slik, klasifikacija besedila in podatkovno rudarjenje. Eden od najbolj uspešnih pristopov so rešitve z uporabo umetnih nevronskih mrež, ki se zgledujejo po bioloških nevronskih mrežah in zmožnostjo človeka, da opravlja kompleksne naloge. Da bi dosegle dobro zmogljivost, umetne nevronske mreže uporabljajo veliko medsebojno povezanih enostavnih celic, oziroma nevronov. Da lahko nevronska mreža učinkovito rešuje nek problem, jo je potrebno učiti. Učenje poteka s pomočjo učne množice vzorcev, ki za dane vhodne podatke vsebujejo tudi znane izhodne rezultate (npr. oznako razreda vhodnega vzorca). Na takšen način deluje nevronska mreža v tej magistrski nalogi za animiranje in krmiljenje računalniških likov. Animacije v filmih, simulacijah in video igrah zahtevajo sodobne pristope in pred kratkim predstavljena nevronska mreža z uporabo fazne funkcije (PFNN [8]), ki smo jo preučili v tem delu, zagotavlja enega od najbolj obetavnih pristopov. Vhodi mreže so podatki o položaju in hitrosti premikanja sklepov računalniškega lika, ter podatki o višinah terena v točkah trajektorije. Prav tako so vhodi v mrežo normalizirane vrednosti, ki povedo, ali računalniški lik stoji na mestu, hodi, beži, čepi, skače ali je naletel na steno in se mora ustaviti. Izhodi mreže za krmiljenje računalniških likov se računajo v vsakem okvirju animacije in predstavljajo trenutno stanje sklepov lika in predvideno usmeritev hoje v prihodnosti. Del izhodov nevronske mreže uporabimo v naslednjem okvirju kot vhode, ki jih zlijemo s krmilnimi podatki uporabnika. Učenje se izvaja na predhodno obdelanem naboru podatkov, ki so ga avtorji PFNN posneli z metodo zajemanja gibanja v studiu. Po snemanju so podatke razširili z zrcaljenjem in jih prenesli v virtualno okolje ter tako dobili večjo učno množico za uspešnejše učenje nevronske mreže. Arhitektura nevronske mreže s fazno funkcijo je triplastna mreža z veriženjem naprej, ki ima 342 vhodnih in 311 izhodnih spremenljivk. Vsaka skrita plast ima 512 nevronov, in na obeh skritih plasteh se uporablja eksponentna linearna (ELU) aktivacijska funkcija, ki omili nezaželen pojav izginjajočega gradienta med učenjem nevronske mreže. Mreža je izdelana v programskem jeziku Python z uporabo knjižnice TensorFlow. Pri učenju mreže se uporablja optimizacijski algoritem Adam s prilagodljivo hitrostjo učenja. Na vsaki plasti se uporablja regularizacijska tehnika odpovedovanja nevronov, ki omejuje prekomerno prilagajanje modelov učni množici. V primerjavi z običajnimi nevronskimi mrežami z veriženjem naprej, uporablja PFNN posebno fazno funkcijo, s pomočjo katere interpolira med štirimi nabori uteži nevronske mreže na podlagi vrednosti fazne spremenljivke. Ti nabori uteži se vzporedno optimizirajo med učenjem nevronske mreže. V vsakem ciklu hoje fazna spremenljivka teče od 0 do 2pi, torej od takrat, ko ima računalniški lik desno nogo v kontaktu s terenom in jo začne dvigati, do takrat, ko jo postavi nazaj na tla. Za interpolacijo med različnimi nabori uteži je bil uporabljen kubični Catmull-Romov zlepek. Izhodi nevronske mreže se med učenjem uporabijo za izračun napake in posodabljanje vseh štirih naborov uteži. Nevronsko mrežo lahko uporabimo v demonstraciji krmiljenja animiranega lika, tako da se izhodi nevronske mreže zlijejo z uporabnikovimi krmilnimi signali za določanje položaja in hitrosti sklepov v kinematični verigi. Zlivanje krmilimo s faktorjem mešanja, ki omogoča uravnotežanje med natančnostjo krmiljenja in naravnostjo animacije računalniškega lika.
Ključne besede: umetna nevronska mreža, zajem gibanja, animacija, fazna funkcija, krmiljenje likov
Objavljeno: 01.12.2020; Ogledov: 252; Prenosov: 25
.pdf Celotno besedilo (4,53 MB)

4.
Konvolucijske nevronske mreže za odkrivanje napak s pomočjo zvoka
Gorazd Fažmon, 2020, magistrsko delo

Opis: V magistrskem delu je predstavljen razvoj sistema za zaznavanje napak v industrijskih procesih, ki temelji na osnovi zaznave zvoka. S pomočjo programskega orodja Audacity, so zajeti zvočni signali proizvodnih postopkov. S programskim orodjem Python je izdelan program za pretvorbo zvočnega signala v sliko. Z uporabo Python knjižnice TensorFlow je program naučen, da prepozna napako. Podan je podroben opis pomembnih pojmov, algoritmov, metod in testiranj sistema. Glavni cilj naloge je implementirati zgrajen sistem na dejanskem proizvodnem postopku.
Ključne besede: konvolucijska nevronska mreža, kakovost zvoka, spektrogram, Mel frekvenčni kepstralni koeficienti (MFCC), TensorFlow
Objavljeno: 04.11.2020; Ogledov: 184; Prenosov: 41
.pdf Celotno besedilo (1,97 MB)

5.
Prepoznava divjih živali na slikah z uporabo rezidualnih nevronskih mrež
Mitja 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: 03.11.2020; Ogledov: 177; Prenosov: 67
.pdf Celotno besedilo (2,67 MB)

6.
Uporaba umetne nevronske mreže za klasifikacijo obrabljenosti orodja pri rezkanju
Žan Pudič, 2020, diplomsko delo

Opis: Diplomsko delo zajema reševanje problema klasifikacije obrabljenosti orodja pri rezkanju s pomočjo umetne inteligence. Namen dela je bil spoznati delovanje umetnih nevronskih mrež in postaviti arhitekturo ter optimizirati njeno delovanje. Za objektivno oceno sposobnosti napovedovanja postavljene nevronske mreže smo dobljene rezultate primerjali z rezultati, ki so bili dobljeni z metodo odločitvenih dreves. Rezultat dela je napovedovalni model z visoko stopnjo prilagojenosti na učnih in testnih podatkih, ki lahko v realnem času klasificira obrabljenost orodja.
Ključne besede: rezkanje, klasifikacija obrabljenosti orodja, strojno učenje, umetna nevronska mreža, odločitvena drevesa
Objavljeno: 08.10.2020; Ogledov: 274; Prenosov: 98
.pdf Celotno besedilo (1,23 MB)

7.
Uporaba strojnega učenja za napovedovanje škodnih dogodkov
Vito Čoh, 2020, magistrsko delo

Opis: V magistrskem delu je predstavljena uporaba posplošenega linearnega modela in različnih metod strojnega učenja v zavarovalništvu. Delo je razdeljeno na teoretični in praktični del. Na začetku teoretičnega dela so opisani osnovni pojmi iz verjetnosti in zavarovalništva. Predstavljeno je tudi, kako zavarovalnice določijo višino premije. Nato sta predstavljena teoretično ozadje posplošenega linearnega modela in uporaba tega modela za napovedovanje višine škode. Na koncu teoretičnega dela pa je opisano strojno učenje in bolj podrobno so predstavljena odločitvena drevesa, naključni gozdovi ter nevronske mreže. V praktičnem delu magistrskega dela pa so posplošeni linearni model, naključni gozd in nevronska mreža uporabljeni za napovedovanje višine škode pri avtomobilskem zavarovanju. Najprej so podatki predstavljeni ter ustrezno obdelani. Nato so določeni parametri posameznih modelov. Na koncu pa so modeli med seboj primerjani in izbran je najboljši model.
Ključne besede: zavarovalništvo, posplošeni linearni model, strojno učenje, odločitveno drevo, naključni gozd, nevronska mreža
Objavljeno: 09.06.2020; Ogledov: 371; Prenosov: 59
.pdf Celotno besedilo (1,53 MB)

8.
Kratkoročno napovedovanje lokalnih vremenskih parametrov s konvolucijsko nevronsko mrežo
Aljaž Razpotnik, 2019, magistrsko delo

Opis: V magistrskem delu se ukvarjamo z napovedovanjem časovnih vrst. Časovno vrsto predstavljajo podatki vremenskih parametrov večjega števila krajev, ki smo jih pridobili iz spletnega arhiva Agencije Republike Slovenije za okolje. Za napovedovanje vremenskih parametrov izbranega kraja uporabimo pretekle podatke samega kraja in njegove okolice ter z njimi učimo napovedne modele ARIMAX, CART, GRU in kombinirani model CNN-LSTM. Pri kombiniranem modelu upoštevamo geografske soodvisnosti uporabljenih krajev, ki jih preslikamo v matriko. Iz predstavljenih rezultatov je razvidno, da sta najboljša modela za napovedovanje vremenskih parametrov GRU in CNN-LSTM.
Ključne besede: vremenski parametri, časovna vrsta, napovedovanje, nevronska mreža, regresijsko drevo
Objavljeno: 10.12.2019; Ogledov: 666; Prenosov: 147
.pdf Celotno besedilo (9,60 MB)

9.
Razpoznavanje čustvenih izrazov s pomočjo globokih nevronskih mrež
Gregor Štefanič, 2019, diplomsko delo

Opis: V diplomskem delu smo se ukvarjali z razpoznavanjem čustvenih izrazov z digitalnih slik obrazov. Razpoznavali smo med sedmimi čustvenimi izrazi, vključno z nevtralnim. Pregledali smo obstoječa dela na področju razpoznavanja čustvenih izrazov, preučili globoke nevronske mreže in pripravili arhitekturo, ki je primerna za razpoznavanje čustvenih izrazov s slik. Uporabili smo arhitekturo z residualno nevronsko mrežo. Našo rešitev smo razvili s pomočjo ogrodja TensorFlow in programskega vmesnika Keras. Implementirali in preizkusili smo jo na mešanih slikah iz podatkovnih baz JAFFE, CK in MMI. Natančnost razpoznavanja čustvenih izrazov na 1017 testnih slikah z našo nevronsko mrežo je bila v povprečju 99,3-odstotna, kar je primerljivo oziroma boljše od sorodnih del.
Ključne besede: razpoznavanje čustvenih izrazov, globoka nevronska mreža, računalniški vid, residualna nevronska mreža
Objavljeno: 23.11.2019; Ogledov: 408; Prenosov: 105
.pdf Celotno besedilo (1,37 MB)

10.
Prepoznavanje aktivnosti osebe iz zaporedja slik z globokimi povratnimi nevronskimi mrežami
David Pintarič, 2019, diplomsko delo

Opis: V diplomskem delu se ukvarjamo s problemom prepoznavanja aktivnosti osebe iz zaporedja slik, pri čemer prepoznavo poskušamo izboljšati z upoštevanjem časovne komponente. To dosežemo z uporabo povratnih nevronskih mrež. Omejili smo se na naslednje aktivnosti: oseba ni v ravnovesju, se pripogiba, stoji, sedi, leži, hitro hodi, počasi hodi in pada. Pregledali smo obstoječe postopke prepoznavanja, preučili povratne nevronske mreže, pripravili množico podatkov, zasnovali algoritem, izvedli eksperimente in na koncu analizirali rezultate. Rezultati na 25 označenih videoposnetkih so pri uporabi povratne nevronske mreže pokazali 83,24 % povprečno natančnost pri uporabi tipa zaporedje v vektor in 75,53 % povprečno natančnost pri uporabi tipa zaporedje v zaporedje. Kljub temu da so dobljeni rezultati boljši od tistih, kjer ne upoštevamo časovne komponente, ugotavljamo, da povratne nevronske mreže zaradi računske zahtevnosti niso vedno najboljša izbira.
Ključne besede: računalniški vid, povratna nevronska mreža, pomnilna celica LSTM, pomnilna celica GRU, globoko učenje, detekcija oseb, prepoznavanje aktivnosti osebe
Objavljeno: 23.11.2019; Ogledov: 535; Prenosov: 152
.pdf Celotno besedilo (3,78 MB)

Iskanje izvedeno v 0.2 sek.
Na vrh
Logotipi partnerjev Univerza v Mariboru Univerza v Ljubljani Univerza na Primorskem Univerza v Novi Gorici