RNDr. Jan Kalina, Ph.D. (external collaborator)
Šablony v kontextu konvolučních neuronových sítí
| advisor: |
RNDr. Jan Kalina, Ph.D. |
| e-mail: |
show e-mail
|
| type: |
bachelor thesis, master thesis
|
| branch of study: |
MI_AMSM, MINF, APIN |
| key words: |
Šablony, konvoluční neuronové sítě, analýza obrazu |
| link: |
http://www.cs.cas.cz/staff/kalina/cs
|
| description: |
Metody založené na šablonách (centroidech) jsou i přes svou jednoduchost oblíbenými nástroji pro lokalizaci objektů v obrazech. V poslední době se využívají šablony v prostoru hlubokých příznaků uvnitř konvolučních neuronových sítí. Diplomová práce začne rešerší v literatuře k využití šablon v prostorech hlubokých příznaků. Student/ka implementuje takový postup a aplikuje ho na vhodnou databázi obrazů. Postup s jednoduchou šablonou je možno zlepšit z hlediska optimální konstrukce šablony, řídkosti, robustnosti, nebo efektivního výpočtu. |
| references: |
[1] Gao B., Spratling M.W. (2021): Robust template matching via hierarchical convolutional features from a shape biased CNN. ArXiv:2007.15817.
[2] Kalina J., Matonoha C. (2020): A sparse pair-preserving centroid-based supervised learning method for high-dimensional biomedical data or images. Biocybernetics and Biomedical Engineering 40(2), 774‒786.
[3] Ferrari C., Berretti S., Bimbo A.D. (2019): Discovering identity specific activation patterns in deep descriptors for template based face recognition. 14th IEEE International Conference on Automatic Face & Gesture Recognition (FG 2019), 1‒5. |
| last update: |
14.06.2022 13:45:48 |
Kvantilová regrese založená na konvoluční neuronové síti
| advisor: |
RNDr. Jan Kalina, Ph.D. |
| e-mail: |
show e-mail
|
| type: |
bachelor thesis, master thesis
|
| branch of study: |
MI_AMSM, MINF, APIN |
| key words: |
Konvoluční neuronová síť, regrese, kvantily, robustnost, heteroskedasticita |
| link: |
http://www.cs.cas.cz/staff/kalina/cs
|
| description: |
Lineární či nelineární regresní kvantily představují metodologii pro modelování podmíněných kvantilů odezvy v závislosti na daných hodnotách nezávisle proměnných. Zatímco jsou již v literatuře popsány odhady nelineárních regresních kvantilů pomocí mělkých neuronových sítí, doposud se jen malá pozornost věnovala regresním kvantilům v kontextu konvolučních neuronových sítí. Práce vyjde z rešerše v literatuře, popíše vhodnou definici i výpočetní prostředky pro výpočet kvantilů pomocí metod hlubokého učení, a na příkladech s reálným či umělými daty ilustruje hlavní výhody těchto regresních kvantilů. |
| references: |
[1] Cannon A.J. (2011): Quantile regression neural networks: Implementation in R and application to precipitation downscaling. Computers & Geosciences 37, 1277-1284.
[2] Petneházi G. (2019): QCNN: Quantile convolutional neural network. ArXiv:1908.07978v1.
[3] Moon S.J., Jeon J.J., Lee J.S.H., Kim Y. (2021): Learning multiple quantiles with neural networks. Journal of Computational and Graphical Statistics 30, 1238-1248. |
| last update: |
14.06.2022 13:47:55 |
Nejmenší vážené čtverce a související odhady
| advisor: |
RNDr. Jan Kalina, Ph.D. |
| e-mail: |
show e-mail
|
| type: |
bachelor thesis, master thesis
|
| branch of study: |
MI_AMSM, MINF, APIN |
| key words: |
Lineární regrese, simulace, robustní statistika. |
| description: |
Odhad metodou nejmenších vážených čtverců představuje robustní postup pro odhad parametrů lineárního regresního modelu. Práce bude zaměřena na systematické numerické srovnání různých dostupných robustních regresních odhadů. Konkrétně půjde nejen o srovnání odhadů regresních parametrů, ale také souvisejících odhadů, zejména pro jejich variabilitu nebo pro rozptyl náhodných chyb v regresním modelu. |
| references: |
[1] Kalina J., Tichavský J. (2020): On robust estimation of error variance in (highly) robust regression. Measurement Science Review 20, 6‒14.
[2] Víšek J.Á. (2010): Robust error-term-scale estimate. IMS Collections 7, 254‒267.
[3] Čížek P. (2011): Semiparametrically weighted robust estimation of regression models. |
| last update: |
02.09.2022 14:38:51 |
Template matching in the context of convolutional neural networks
| advisor: |
RNDr. Jan Kalina, Ph.D. |
| e-mail: |
show e-mail
|
| type: |
phd thesis
|
| branch of study: |
MINF, APIN |
| key words: |
Templates, convolutional neural networks, deep learning, image analysis. |
| link: |
http://www.cs.cas.cz/staff/kalina
|
| description: |
Methods based on templates (centroids) have been in spite of their simplicity widely used for object localization in images. Some recent works in image analysis have exploited template matching in a deep feature space produced by a convolutional neural network (CNN). The thesis will start with an overview of the literature on template-based methods in deep feature spaces. The main contribution is planned to improve the available naïve template-based approach for the context of deep learning. Particularly, the focus will be paid to the aspects of optimal construction, sparsity, robustness, or efficient computation of templates within deep learning. The student will implement the proposed approaches and apply them on suitable datasets of 2D images. |
| references: |
[1] Gao B., Spratling M.W. (2021): Robust template matching via hierarchical convolutional features from a shape biased CNN. ArXiv:2007.15817.
[2] Kalina J., Matonoha C. (2020): A sparse pair-preserving centroid-based supervised learning method for high-dimensional biomedical data or images. Biocybernetics and Biomedical Engineering 40(2), 774‒786.
[3] Ferrari C., Berretti S., Bimbo A.D. (2019): Discovering identity specific activation patterns in deep descriptors for template based face recognition. 14th IEEE International Conference on Automatic Face & Gesture Recognition (FG 2019), 1‒5.
[4] Liu Y., Ling J., Liu Z., Shen J., Gao C. (2018): Finger vein secure biometric template generation based on deep learning. Soft Computing 22, 2257-2265 |
| last update: |
17.01.2023 14:07:02 |
V3S Database
The application records results of science and research, and other academic activities. The V3S application serves as a tool for submitting data to the RIV database, exporting data for statistic analyses, and internal evaluation of research.
List of publications in V3S
administrator for this page:
Radek Fučík | last update: 08/07/2011
