1. Optimizacija parametrov nevronskih mrež na problemu razvrščanja slik : magistrsko deloNejc Jeušnik, 2024, magistrsko delo Opis: Namen magistrskega dela je preizkusiti, kako vpliva uglaševanje hiperparametrov nevronskih mrež na njihovo natančnost in ali je možno doseči izboljšavo s spreminjanjem privzetih hiperparametrov. V teoretičnem delu smo pripravili uvod v nevronske mreže in se poglobili v dobre tehnike učenja. Predstavili smo algoritem diferencialne evolucije in metodo roja delcev, s katerima smo si pomagali pri optimizaciji. V praktičnem delu smo z modelom ResNet reševali problem razvrščanja slik v razrede pri podatkovni zbirki ptic. Analizirali smo različne iskalne konfiguracije hiperparametrov in ovrednotili njihove natančnosti. Na koncu smo ovrednotili hipoteze in podali ideje za nadaljnje delo.
Ključne besede: nevronske mreže, hiperparametri, evolucijski algoritmi
Objavljeno v DKUM: 14.10.2024; Ogledov: 0; Prenosov: 16
 Celotno besedilo (3,45 MB) |
2. Razpoznava objektov ter napovedovanje njihovega obnašanja v aplikacijah za avtonomno vožnjoNiko Kolar, 2024, magistrsko delo Opis: V magistrskem delu smo se osredotočili na raziskovanje in implementacijo sistema za avtonomno vožnjo, ki služi kot osnova za sprejemanje odločitev. Informacije iz okolice vozila pridobivamo zgolj s pomočjo kamere. Za implementacijo smo uporabili dve vrsti kamer, in sicer monokularno ter stereo. Nad podatki monokularne kamere smo implementirali algoritme za prepoznavanje objektov v okolici vozila, sledenje tem objektom skozi zaporedje slik, zaznavanje voznega pasu, določanje pozicije vozila na njem in ocenjevanje časa do roba vozišča. Podatke stereo kamere smo uporabili za določanje razdalje do prepoznanih objektov ter konstrukcijo 3D strukture okolice premikajočega se vozila.
Ključne besede: Avtonomna vožnja, stereo vid, računalniški vid, konvolucijske nevronske mreže
Objavljeno v DKUM: 14.10.2024; Ogledov: 0; Prenosov: 15
Celotno besedilo (3,98 MB) |
3. Preučevanje sekundarne strukture proteinov z računalniškimi simulacijami molekularne dinamike in nevronskimi mrežami : doktorska disertacijaMatic Broz, 2024, doktorska disertacija Opis: V doktorski disertaciji smo s pomočjo najsodobnejših računalniških metod simulacij molekulske dinamike, nevronskih mrež in molekulskega sidranja preučevali in pojasnili sekundarno strukturo proteinov pod vplivom specifičnih mutacij, strukturo proteinov pod vplivom mikrovalovnega sevanja, napovedovali dihedralne kote fi in psi proteinskega ogrodja in analizirali vlogo nevropilinov pri različnih fizioloških in patoloških procesih.
V prvem delu doktorske disertacije smo s pomočjo simulacij molekulske dinamike podrobno preučili vpliv polimorfizma rs4880 (mutacija Ala16Val) na sekundarno strukturo mitohondrijske tarčne sekvence človeškega encima mangan superoksidne dismutaze. Simulacije so pokazale, da alaninska varianta ohranja stabilno α-heliksno strukturo, kar je ugodno za pravilen transport v mitohondrije. Nasprotno pa se α-heliks valinske variante razgradi, kar vodi do tvorbe β-lista in s tem potencialno moti transport. Naši rezultati podpirajo predhodne eksperimentalne ugotovitve, da ima alaninska verzija višjo aktivnost tega encima v mitohondrijih. Ugotovitve pomembno prispevajo k razumevanju povezave med strukturo in funkcijo mitohondrijske tarčne sekvence ter vpliva polimorfizma Ala16Val na aktivnost manganove superoksidne dismutaze.
V drugem delu doktorske disertacije smo razvili enostaven model globokega učenja za napovedovanje dihedralnih kotov fi (ϕ) in psi (ψ) proteinskega ogrodja zgolj na podlagi primarne strukture beljakovin. Model popolnoma povezanega nevronskega omrežja z drsečim oknom velikosti 21 aminokislinskih ostankov je dosegel zadovoljivo natančnost pri napovedovanju ϕ kotov in nekoliko nižjo, a še vedno sprejemljivo natančnost pri napovedovanju ψ kotov. Pokazali smo, da je mogoče tudi z enostavnim modelom nevronskih mrež doseči visoko natančnost pri napovedovanju dihedralnih kotov proteinskega ogrodja.
V tretjem delu doktorske disertacije smo s pristopom molekularne dinamike preučevali vpliv mikrovalovnega sevanja na zvijanje beljakovin in možnost napačnega zvitja. Rezultati so pokazali, da mikrovalovno segrevanje povzroči pomik proti bolj kompaktnim konformacijam proteinov, kar se odraža v predvsem v manjših radijih sukanja. Mikrovalovno sevanje pa ni imelo večjega vpliva na sekundarne strukture beljakovin na skali 200 nanosekund. Naše delo predstavlja pomemben prispevek k razumevanju posledic izpostavljenosti beljakovin mikrovalovnemu sevanju.
V četrtem delu doktorske disertacije smo temeljito raziskali vlogo nevropilinov v različnih fizioloških in patoloških procesih, kot so COVID-19, rak, nevropatska bolečina, srčno-žilne bolezni in diabetes. Pregledali smo terapevtske možnosti modulacije nevropilinov in predstavili serijo antagonistov, znanih kot zaviralcev signalizacije VEGF-A in rasti tumorjev. Ugotovitve predstavljajo trdne temelje za nadaljnji razvoj učinkovitih zdravil za klinično uporabo, s poudarkom na majhnih molekulskih antagonistih.
Disertacija predstavlja izvirni znanstveni prispevek na področju molekularnega modeliranja, globokega učenja in strukturne biologije z neposredno uporabnostjo pri razumevanju in zdravljenju različnih bolezni ter razvoju terapevtskih strategij.
Ključne besede: molekulska dinamika, nevronske mreže, struktura proteinov, dihedralni koti, mikrovalovno sevanje, nevropilini
Objavljeno v DKUM: 09.10.2024; Ogledov: 0; Prenosov: 25
Celotno besedilo (18,05 MB) |
4. Obogatitev 3D upodobitve z globalnim osvetlitvenim modelom z uporabo generativnih nasprotniških nevronskih mrežMarko Zmazek, 2024, magistrsko delo Opis: V računalniški grafiki je upodabljanje z globalnim osvetlitvenim modelom v realnem času še vedno aktualen izziv. Pri upodabljanju z globalnim osvetlitvenim modelom upodobitev izgleda bolj realistično, saj lahko dodamo učinke, kot sta odboj in lom svetlobe. V magistrskem delu smo implementirali in naučili generativno nasprotniško nevronsko mrežo, da obogati sliko 3D scene z globalnim osvetlitvenim modelom na podlagi slike 3D scene, upodobljene z lokalnim osvetlitvenim modelom, in dodatnih informacij o sceni, ki jih lahko hitro izračunamo že pri uporabi lokalnega osvetlitvenega modela. Ustrezno načrtovana in naučena nevronska mreža lahko na scenah, uporabljenih v fazi učenja, daje rezultate primerljive s klasičnimi metodami upodabljanja z globalnim osvetlitvenim modelom, kot je sledenje potem. Predvsem pa je lahko pri delovanju hitrejša, zato bi se lahko uporabljala za aplikacije v realnem času.
Ključne besede: računalniška grafika, osvetlitev, generativne nasprotniške nevronske mreže, PyTorch, Blender
Objavljeno v DKUM: 19.09.2024; Ogledov: 0; Prenosov: 24
Celotno besedilo (19,56 MB) |
5. Določanje uspešnosti počepa s pomočjo strojnega vidaNejc Graj, 2024, diplomsko delo Opis: V tem diplomskem delu bomo predstavili področje strojnega učenja, bolj specifično področje
globokega učenja. V teoretičnem delu bomo prikazali, kako se je strojno učenje do sedaj že
uporabljalo v športu, kako strojno in globoko učenje delujeta ter kako poteka proces učenja
konvolucijskih nevronskih mrež. V praktičnem delu bomo ustvarili svojo učno množico in
nato z algoritmom, ki je zasnovan na konvolucijskih nevronskih mrežah, ustvarili model, ki
je zmožen določati uspešnost počepa po pravilih zveze za Powerlifting.
Ključne besede: strojni vid, globoko učenje, konvolucijske nevronske mreže, powerlifting
Objavljeno v DKUM: 19.09.2024; Ogledov: 0; Prenosov: 10
Celotno besedilo (3,43 MB) |
6. Uporaba umetne inteligence na področju varnosti geselMatej Malek, 2024, diplomsko delo Opis: V diplomski nalogi smo predstavili osnove umetne inteligence oziroma strojnega učenja in njeno uporabo v varnosti sodobnih informacijskih tehnologij ter rešitev. Podali smo razloge, zakaj je njena uporaba koristna in potrebna ter kako se z njo že srečujemo v vsakdanjem življenju. Navedli smo tudi bistvene težave in napade, s katerimi se srečujemo, ter kako jih ljudje rešujejo s pomočjo umetne inteligence. V teoretičnem delu smo se osredotočili na razjasnitev pojmov, zgodovino napadov in razlago uporabljenih algoritmov. V praktičnem delu pa smo opravili primerjavo treh algoritmov strojnega učenja za ugotavljanje moči gesla, s čimer smo prišli do zaključka, da so nevronske mreže, čeprav najbolj časovno potratne, tudi najboljša izbira.
Ključne besede: K-najbližji sosed, klasifikacija, nevronske mreže, odločitvena drevesa, strojno
učenje
Objavljeno v DKUM: 19.09.2024; Ogledov: 0; Prenosov: 14
Celotno besedilo (1,71 MB) |
7. Razpoznava umetno ustvarjenih slik z metodami strojnega učenjaJan Premzl, 2024, magistrsko delo Opis: V zaključnem delu smo izdelali modularno aplikacijo, ki je namenjena napovedovanju, ali je slika realna ali umetno ustvarjena. Za ta namen smo naučili enajst različnih modelov, vsakega s petnajstimi različnimi kombinacijami hiperparemetrov. Na podlagi tega smo dobili rezultate, kjer smo izračunali razne statistične mere in korelacije med rezultati. Poleg servisa za klasifikacijo oz. za učenje modelov smo izdelali tudi servis za ustvarjanje učne množice po lastnih željah, spletno aplikacijo, ki omogoča napovedi, in aplikacijski programski vmesnik, ki služi za komunikacijo med servisom za razpoznavo in spletno aplikacijo.
Ključne besede: Strojno učenje, nevronske mreže, klasifikacija, PyTorch
Objavljeno v DKUM: 11.09.2024; Ogledov: 56; Prenosov: 17
Celotno besedilo (9,68 MB) |
8. Federativno učenje z nevronskimi mrežami : magistrsko deloJaka Čugalj, 2024, magistrsko delo Opis: V magistrskem delu raziščemo postopek učenja nevronskih mrež in predstavimo idejo federativnega učenja, ki omogoči sodelovanje več naprav pri učenju enega modela nevronske mreže brez izmenjave učnih primerov. Glavna prednost federativnega učenja je, da naprava svojih lokalnih podatkov ne deli z ostalimi napravami, zato ostanejo zasebni. Preučili smo algoritme federativnega učenja FedSGD, FedAvg, FedProx, SCAFFOLD, FedVARP, ClusterFedVARP in FedRolex, ki na različne načine rešujejo izzive takšnega načina učenja. Prav tako predstavimo novo rešitev, ki komplementarno združi nekatere naštete algoritme tako, da se lahko v nekaterih primerih ob istih pogojih učenje izvaja učinkoviteje. Učinkovitost učenja smo testirali na klasifikacijskem problemu razpoznave ročno napisanih števil podatkovne zbirke MNIST ter problemu napovedovanja naslednje črke v stavku, kjer smo učne primere generirali s pomočjo literarnih del Williama Shakespeara. Izvedli smo analizo vpliva različnih parametrov algoritmov na učenje nevronskih mrež in primerjali vpliv neenakomerne porazdelitve podatkov na hitrost konvergence posameznih algoritmov na različnih podatkovnih zbirkah. Implementirali smo simulator federativnega učenja z uporabniškim vmesnikom, preko katerega lahko uporabnik ureja parametre učnih algoritmov in odjemalcev ter izvaja učenje in testiranje različnih modelov v ločenih nitih.
Ključne besede: nevronske mreže, federativno učenje, klasifikacija, MNIST, stohastični gradientni spust
Objavljeno v DKUM: 01.07.2024; Ogledov: 169; Prenosov: 56
Celotno besedilo (6,46 MB) |
9. Razpoznava drevesnih vrst iz oblakov točk z uporabo globokih nevronskih mrež : magistrsko deloVid Topolovec Klemenčič, 2024, magistrsko delo Opis: V magistrskem delu obravnavamo razpoznavo drevesnih vrst iz oblakov točk z uporabo novejših nevronskih mrež in primerjamo uspešnost razpoznave s sorodnimi deli. Razpoznavo smo zasnovali na dva različna načina. Pri prvem načinu smo izbrali in pripravili nevronsko mrežo za obdelavo 3D podatkov oz. oblakov točk, medtem ko smo pri drugem načinu izbrali in pripravili nevronsko mrežo za obdelavo 2D podatkov oz. slik. Pripravili smo tudi skupno podatkovno zbirko z združitvijo prosto dostopnih zbirk, ki vsebujejo posamezna drevesa v obliki oblakov točk, in med učenjem obogatili podatke. Po zaključenem učenju s pripravljeno skupno podatkovno zbirko nismo dosegli podobnih zaključkov kot v primerjanem predhodnem delu. V našem primeru je izbrana nevronska mreža, namenjena obdelavi 3D podatkov, dosegla 4 % višjo skupno točnost od izbrane nevronske mreže, ki je obdelovala 2D podatke.
Ključne besede: globoke nevronske mreže, klasifikacija drevesnih vrst, 3D oblaki točk, 2D slike, obogatitev podatkov
Objavljeno v DKUM: 01.07.2024; Ogledov: 155; Prenosov: 39
Celotno besedilo (16,54 MB)
Gradivo ima več datotek! Več... |
10. Primerjava modernih konvolucijskih nevronskih mrež na problemu segmentiranja slik : diplomsko deloIvana Dukarić, 2024, diplomsko delo Opis: V diplomskem delu smo preučevali in analizirali rezultate arhitektur konvolucijskih nevronskih mrež na problemu binarne segmentacije. V teoretičnem delu smo preučili arhitekture konvolucijskih nevronskih mrež SegFormer, DeepLapV3+, Gated-SCNN, Segmenter, FastFCN in TopFormer. V praktičnem delu diplomskega dela smo mreže SegFormer, Segmenter, FastFCN in TopFormer učili segmentirati slike na podatkovnih množicah Cityscapes in ADE20K. Mreže smo učili binarne segmentacije vozil. Mrežo SegFormer smo še dodatno učili na problemu binarnega segmentiranja ljudi. Dobljene rezultate smo analizirali in jih ovrednotili z evalvacijskimi metrikami. Za ocenjevanje uspešnosti smo uporabili metrike točnost, priklic, natančnost, IoU in F1 oceno. Najboljše rezultate za problem binarnega segmentiranja vozil smo dobili s pomočjo mreže SegFormer na podatkovni zbirki Cityscapes. Na podatkovni zbirki ADE20K smo za enak problem segmentacije dobili najboljše rezultate za mrežo Segmenter. Najslabše sta se izkazali mreža TopFormer na podatkovni zbirki Cityscapes in mreža FastFCN na podatkovni zbirki ADE20K.
Ključne besede: binarna segmentacija, konvolucijske nevronske mreže, primerjava mrež, evalvacijske metrike, računalniški vid
Objavljeno v DKUM: 26.04.2024; Ogledov: 506; Prenosov: 84
Celotno besedilo (3,19 MB) |
