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 - 3 / 3
Na začetekNa prejšnjo stran1Na naslednjo stranNa konec
1.
OPTIMIZACIJA MEDATOMSKEGA POTENCIALA LENNARD-JONES S PARALELNO DIFERENCIALNO EVOLUCIJO
Aleš Čep, 2011, diplomsko delo/naloga

Opis: V diplomskem delu predstavljamo optimizacijski algoritem, ki rešuje problem potenciala Lennard-Jones iz področja bioinformatike. Za računanje uporabimo tehnologijo CUDA, ki poveča hitrost računanja, saj izkorišča paralelizacijsko zmogljivost grafičnih procesnih enot. Izbrali smo evolucijski algoritem jDE, ki se je v preteklosti izkazal za zelo uspešnega. Diplomska naloga najprej obravnava sorodna dela iz področja računanja potenciala Lennard-Jones ter področja evolucijskih algoritmov na grafičnih procesnih enotah. Sledi opis potenciala Lennard-Jones in arhitekture CUDA. Na koncu je predstavljena še naša implementacija algoritma in dobljeni rezultati. Naše rezultate smo primerjali z rezultati dveh programov, ki se v celoti izvajata na centralno procesni enoti.
Ključne besede: diferencialna evolucija, potencial Lennard-Jones, CUDA, bioinformatika, paralelno izvajanje, evolucijski algoritem, jDE, evolucijsko računanje, grafična procesna enota
Objavljeno: 16.09.2011; Ogledov: 2174; Prenosov: 196
.pdf Celotno besedilo (1,89 MB)

2.
REŠEVANJE UGANK SUDOKU Z GENETSKIM ALGORITMOM NA GRAFIČNEM PROCESORJU
Rok Brumec, 2016, diplomsko delo

Opis: V diplomski nalogi smo implementirali genetski algoritem za reševanje ugank Sudoku in izboljšali njegovo učinkovitost z izvajanjem na grafični procesni enoti. Za implementacijo genetskega algoritma na grafični procesni enoti smo uporabili ogrodje OpenCL. V diplomski nalogi najprej predstavimo Sudoku in genetske algoritme ter na kratko opišemo osnove paralelnega programiranja na grafični procesni enoti in opišemo ogrodje OpenCL. Na koncu opišemo našo implementacijo postopka reševanja Sudoka z genetskim algoritmom na grafični procesni enoti in predstavimo rezultate. Izvedli smo primerjavo z rezultati avtorjev iz literature.
Ključne besede: Sudoku, genetski algoritem, OpenCL, paralelno izvajanje, grafična procesna enota
Objavljeno: 16.09.2016; Ogledov: 683; Prenosov: 41
.pdf Celotno besedilo (2,09 MB)

3.
Detekcija karakterističnih točk na rentgenskih posnetkih glave s pomočjo tehnik globokega učenja
Gašper Sedej, 2018, magistrsko delo

Opis: V tem magistrskem delu smo se ukvarjali s sistemom za detekcijo karakterističnih točk na slikovnih podatkih. Izdelali smo splošen sistem za avtomatsko zaznavanje karakterističnih točk, ki smo ga prilagodili za kefalometrične točke na rentgenskih slikah. Kot detektor smo uporabili obstoječo globoko nevronsko mrežo SegNet, ki je namenjena segmentiranju slik. To mrežo smo modificirali za iskanje karakterističnih točk. Novo mrežo smo poimenovali KeypointNet. Izdelali smo tudi sistem za označevanje točk na slikah. Detektor smo učili z učno množico. Na testni množici smo izvedli detekcijo in izmerili napako, ki jo definiramo kot evklidsko razdaljo med napovedano in označeno točko. Testirali smo tudi nabor krmilnih hiperparametrov pri zagonu učenja. Sistem smo testirali na množici 124 kefalometričnih slik velikosti 480 × 360 pikslov, in sicer za nabor 10 izbranih točk. Na vseh slikah smo označili te točke. Slike smo razdelili v učno in testno množico v razmerju približno 75 % in 25 %. Testirali smo 16 naborov hiperparametrov. Za vsak nabor smo izvedli 5 ponovitev učenja. Povprečna napaka v položaju točke na testni množici je bila 2,7 piksla. Testirali smo tudi vpliv dveh hiperparametrov za nadzor učenja. Testi so pokazali, da rahel odklon od priporočenih vrednosti za ta dva hiperparametra nima signifikantnega vpliva na končni rezultat. Dobljeni rezultati so zelo spodbudni. Razvili smo torej napreden sistem na osnovi globokega učenja, ki uspešno detektira karakteristične točke na slikah.
Ključne besede: globoko učenje, nevronske mreže, kefalometrija, razpoznavanje vzorcev, optimizacija, paralelno izvajanje
Objavljeno: 10.01.2019; Ogledov: 109; Prenosov: 11
.pdf Celotno besedilo (5,14 MB)

Iskanje izvedeno v 0.04 sek.
Na vrh
Logotipi partnerjev Univerza v Mariboru Univerza v Ljubljani Univerza na Primorskem Univerza v Novi Gorici