RNDr. Jan Kalina, Ph.D. (externí spolupracovník)
Šablony v kontextu konvolučních neuronových sítí
| školitel: |
RNDr. Jan Kalina, Ph.D. |
| e-mail: |
zobrazit e-mail
|
| typ práce: |
bakalářská práce, diplomová práce
|
| zaměření: |
MI_AMSM, MINF, APIN |
| klíčová slova: |
Šablony, konvoluční neuronové sítě, analýza obrazu |
| odkaz: |
http://www.cs.cas.cz/staff/kalina/cs
|
| popis: |
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. |
| literatura: |
[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. |
| naposledy změněno: |
14.06.2022 13:45:48 |
Kvantilová regrese založená na konvoluční neuronové síti
| školitel: |
RNDr. Jan Kalina, Ph.D. |
| e-mail: |
zobrazit e-mail
|
| typ práce: |
bakalářská práce, diplomová práce
|
| zaměření: |
MI_AMSM, MINF, APIN |
| klíčová slova: |
Konvoluční neuronová síť, regrese, kvantily, robustnost, heteroskedasticita |
| odkaz: |
http://www.cs.cas.cz/staff/kalina/cs
|
| popis: |
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. |
| literatura: |
[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. |
| naposledy změněno: |
14.06.2022 13:47:55 |
Nejmenší vážené čtverce a související odhady
| školitel: |
RNDr. Jan Kalina, Ph.D. |
| e-mail: |
zobrazit e-mail
|
| typ práce: |
bakalářská práce, diplomová práce
|
| zaměření: |
MI_AMSM, MINF, APIN |
| klíčová slova: |
Lineární regrese, simulace, robustní statistika. |
| popis: |
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. |
| literatura: |
[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. |
| naposledy změněno: |
02.09.2022 14:38:51 |
Template matching in the context of convolutional neural networks
| školitel: |
RNDr. Jan Kalina, Ph.D. |
| e-mail: |
zobrazit e-mail
|
| typ práce: |
dizertační práce
|
| zaměření: |
MINF, APIN |
| klíčová slova: |
Templates, convolutional neural networks, deep learning, image analysis. |
| odkaz: |
http://www.cs.cas.cz/staff/kalina
|
| popis: |
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. |
| literatura: |
[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 |
| naposledy změněno: |
17.01.2023 14:07:02 |
Reliability of deep learning
| školitel: |
RNDr. Jan Kalina, Ph.D. |
| e-mail: |
zobrazit e-mail
|
| typ práce: |
dizertační práce
|
| zaměření: |
MINF, APIN |
| klíčová slova: |
Deep learning, reliability assessment, diagnostics, error propagation. |
| popis: |
Recent research on reliability in the context of deep learning has shown that there is no unique understanding of reliability assessment for training of deep networks, i.e. there is no unity as to which steps should be performed to accompany the training. Statistical approaches to the newly arising field of diagnostics for deep learning start from the simplest ideas such as verification of the trained network on out-of-distribution data. More powerful approaches include verifying the influence of adversarial examples in the data, evaluation of uncertainty within deep learning algorithms, or computational methods for error propagation throughout the network. One of rare theoretical approaches standing on probabilistic reasoning is the hypothesis test of reliability for a multi-class classifier. The thesis will
propose novel tools for assessing reliability of trained deep networks. Theoretical investigations will evaluate the influence of possible errors (uncertainty, measurement errors, or outlying measurements) on the results of a trained deep network. Another aim is to derive diagnostic tools for checking the probability assumptions for deep networks. The tools used here may include bootstrapping and nonparametric combinations of tests. |
| literatura: |
[1] Alshemali B., Kalita J. (2020). Improving the reliability of deep neural networks in NLP: A review.
Knowledge-based systems 191, 105210.
[2] Bosio A., Bernardi P., Ruospo A., Sanchez E. (2019). A reliability analysis of a deep neural network.
IEEE Latin American Test Symposium LATS 2019, 1-6.
[3] Caldeira J., Nord B. (2021). Deeply uncertain: Comparing methods of uncertainty quantification in
deep learning algorithms. Machine Learning: Science and Technology 2, 015002.
[4] Gweon H. (2023). A power-controlled reliability assessment for multi-class probabilistic classifiers.
Advances in Data Analysis and Classification 17, 927-949.
[5] Martensson G., Ferreira D., Granberg T., Cavallin L., Oppedal K. et al. (2020). The reliability of a deep
learning model in clinical out-of-distribution MRI data: A multicohort study. Medical Image Analysis 66,
101714. |
| naposledy změněno: |
11.04.2025 12:57:42 |
Databáze V3S
Aplikace V3S eviduje výsledky vědy a výzkumu a další aktivity vědecko-výzkumných pracovníků ve vědecké komunitě. Aplikace V3S slouží k odesílání výsledků do RIV, exportům pro statistické analýzy i k interním hodnocením vědecko-výzkumné činnosti.
Seznam publikaci ve V3S
za obsah této stránky zodpovídá:
Radek Fučík | naposledy změněno: 7.8.2011
