Search results for "dziļā mašīnmācīšanās"
showing 10 items of 16 documents
Dziļo viltojumu atpazīšana
2020
Bakalaura darbā “Dziļo viltojumu atpazīšana” gan teorētiski, gan praktiski tiek apskatīti dažādi dziļo viltojumu atpazīšanas algoritmi un realizēti 3 dažādi neironu tīkli viltojumu atpazīšanai. Lai arī dziļie viltojumi var būt bāzēti gan uz video, gan audio izmaiņām, šajā darbā fokuss ir tieši uz video izmaiņām. Tāpat tiek sniegts ieskats arī dziļajos viltojumos pēc to būtības –kas tieši tie ir un kā tie tiek izstrādāti.Lai arī ideja par dziļajiem viltojumiem radās jau pagājušā gadsimta beigās, tolaik tehnoloģijas vēl nebija tik attīstītas, lai šī ideja gūtu plašāku publisko interesi un tā tas bija līdz 2017. gadam, kad dziļie viltojumi strauji sāka gūt propularitāti. Kopš tā laika šīs tēma…
Maskēšanas rakstu noteikšana attēlos
2020
Pēdējo gadu laikā stipra uzmanība tiek veltīta datorredzei un tās pielietojumiem, lai risinātu gan globālas, gan lokālas problēmas pasaulē. Datorredzi pielieto gan sejas atpazīšanai tālruņos, auto numura zīmju nolasīšanā, gan arī, piemēram, satelītattēlu apstrādei. Bakalaura darbā tiek apskatīti literatūras avoti gan par ierastiem neironu tīkliem, gan konvolūciju neironu tīkliem, uz kuriem tiek balstīta datorredze, apskatīta neironu tīklu attīstība, salīdzināti dažādi populārākie konvolūciju neironu tīklu veidi. Bakalaura darbā veikta arī praktiskā daļa ar konvolūciju neironu tīkla izstrādi, datu kopas izstrādi ar Latvijas Armijas publiski pieejamajiem attēliem, un konvolūciju tīkla darbinā…
Automatizētās mašīnmācīšanās pakotnes AutoKeras pielietojums attēlu klasifikācijā
2021
Automatizētās mašīnmācīšanās (AutoML) mērķis ir nodrošināt to, ka mašīnmācīšanās lēmumi tiek pieņemti automātiski un balstīti uz datiem, kā arī ļaut pēc iespējas plašākai auditorijai izmantot mašīnmācīšanās priekšrocības. Darbā apskatīts AutoML pielietojums attēlu klasifikācijai ar AutoKeras pakotni, kas veic neironu arhitektūru meklēšanu, izmantojot labākais-pirmais meklēšanas un simulētās atkvēlināšanas algoritmus, ko virza Beiesa optimizācija. Apmācības laika samazināšanai tiek izmantoti tīklu morfismi. Pārbaudot to uz CIFAR-10 datiem, tika sasniegta 97.1% precizitāte, tomēr tas tika iegūts ar lieliem datorresursu ieguldījumiem un rīkam ir noteikti lietojamības trūkumi.
Dziļo konvolūcijas tīklu lietojums attēlu atpazīšanā
2017
Darbā ir apskatītas dziļās mašīnmācīšanās metodes un konvolūcijas tīkli, kas gūst arvien plašāku lietojumu daudzos ar mašīnredzēšanu un attēlapstrādi saistītos uzdevumos. Savā veiktspējā konvolūcijas tīkli pārspēj regulāros neironu tīklus, paverot plašas iespējas sarežģītu struktūru grafisku datu apstrādē. Darbā ir izskatīti ievērību guvušas modeļu optimizācijas un regularizācijs metodes. Ir aplūkoti dažādu arhitektūru konvolūcijas tīkli un to ansambļu metodes, kuru pamatā ir tīkla slāņu vienību un slāņu izņemšana. Darba praktiskajā daļā tiek parādīta konvolūcijas tīkla parametru izmaiņu ietekme uz modeļa konverģenci un ātrdarbību; ir izveidots 110 konvolūcijas slāņu stohastiska dziļuma tīk…
Runas izdalīšana audio ierakstos, izmantojot dziļo mašīnapmācību
2021
Kvalifikācijas darbā tiek aprakstīta sistēma, tās prasības un realizācija. Šī sistēma sastāv no tīmekļa vietnes un mašīnmācīšanās modeļa, ar kura palīdzību ir iespējams izdalīt runas fragmentus augšupielādētajā audio failā. Šī sistēma satur arī datu kopas sagatavošanas moduli, ar kura palīdzību tiek apkopoti dati no FSD50K kopas, un tie tiek sagatavoti priekš jau iepriekš apmācīta DenseNet modeļa pielāgošanas un apmācības. Rezultātā tika apmācīti vairāki modeļi, no kuriem tika atlasīts labākais, kurš pēc tam tika savienots ar tīmekļa vietni, ar kuras palīdzību ir iespējams iesniegt failu runas izdalīšanas analīzei un apskatīt atgriezto rezultātu lietotājam vienkāršā veidā.
Rekurento neironu tīklu novērtēšanas sistēma
2021
Darba “Rekurento neironu tīklu novērtēšanas sistēma” ietvaros tika izstrādāta sistēma, kurā var uztrenēt rekurento neironu tīklu arhitektūras uz dažādiem uzdevumiem, tām automātiski piemeklējot optimālos tīkla parametrus, un pārbaudīt uz tiem sasniegtos rezultātus, ar mērķi objektīvi novērtēt konkrēta rekurentā neironu tīkla efektivitāti. Sistēmu ir paredzēts lietot dziļās mašīnmācīšanās pētniecībā, jaunu rekurento neironu tīklu izstrādē un testēšanā, lai noteiktu vai jaunizveidotie neironu tīkli ir labāki par jau eksistējošajiem uz konkrētiem uzdevumiem.
Runātāju segmentēšana skaņas ierakstā, izmantojot neironu tīklus
2018
Runātāju segmentēšana skaņas ierakstā ir audio analīzes problēma, kas paredz ierakstā dzirdamu cilvēka runas fragmentu identificēšanu un grupēšanu gadījumos, kad vairākus fragmentus izteicis viens un tas pats runātājs. Runātāju segmentēšana ir aktuāla problēma audio ierakstu transkripcijas procesā, kur nepieciešams atbildēt uz jautājumu “kas runāja kad?”. Darbā izpētīts mākslīgo neironu tīklu un dziļās mašīnmācīšanās metožu potenciāls un iespējas runātāju segmentēšanas problēmas risināšanā. Tiek apskatīti gatavi runātāju segmentēšanas risinājumi un to darbības pamatprincipi. Praktiskajā daļā tika izveidots uz neironu tīkliem bāzētas runātāju segmentēšanas sistēmas prototips un datu kopa sis…
Laikrindu modelēšana un prognozēšana ar statistiskiem un dziļās mašīnmācīšanās modeļiem
2022
Šajā maģistra darbā tiek aplūkota datu zinātnes problemātika – laikrindu prognozēšana ar statistiskiem un jaunākiem dziļās mašīnmācīšanās modeļiem. Mērķis ir salīdzināt trīs prognozēšanas modeļu veiktspēju un precizitāti, izmantojot veiktspējas mērījumus. Darbs teorētiskajā daļā 3., 4., un 5. nodaļās ir aprakstīta vispārējo laikrindu datu analīze, datu sagatavošana un galvenie statistisko modeļu ARIMA komponenti. Darba 6. nodaļa iepazīstina ar galvenajiem dziļās mašīnmācīšanās komponentiem un jaunākajām arhitektūrām – DeepAR un Temporal Future Transformer jeb TFT. Darbā praktiskajā daļā 7. un 8. nodaļās tiek izvērtētas statistisko un dziļās mašīnmācīšanās modeļu priekšrocības un trūkumi. Mo…
Savvaļas pārnadžu populācijas novērtēšana, izmantojot vizuālo atpazīšanu meža kameru datos, un salīdzināšana ar apmācītas mašīnmācīšanās modeļa rezul…
2022
Eiropā pēdējās desmitgadēs strauji palielinās pārnadžu populācijas, kas ik gadu rada simtiem miljonus eiro zaudējumos, tāpēc ir nepieciešamas metodes, lai efektīvi novērtētu pārnadžu populācijas. Meža kameras var būt labs risinājums, lai aizstātu uz vizuālajiem novērojumiem balstītas uzskaites bet tās ievāc lielus datu apjomus, kuru analīze aizņem ilgu laiku. To var risināt dziļās mašīnmācīšanās modeļi. No 2021. gada 1.janvāra teritorijā pie Rāmuļiem visu gadu tika izliktas 22 meža kameras, ar kurām tika noteikts pārnadžu relatīvais daudzuma indekss. Staltbrieži sastādīja 83,2%, stirnas 8,2%, aļņi 3,8% un meža cūkas 4,6%. Tika uztrenēts YOLOv5 mašīnmācīšanās modelis, kurš spēja atpazīt pārn…
Patvaļīgi sašķiebtu numura zīmju atpazīšana
2018
Mūsdienu pasaulē neironu tīkli ir iekarojuši lielu interesi pētnieku un inženieru vidū. Ir labi zināms, ka dziļās mašīnmācīšanās modeļi labi spēj pildīt klasifikācijas uzdevumus. Tāpēc rodas jautājums, vai neironu tīkli labi spētu klasificēt Latvijā reģistrēto automašīnu numura zīmes. Ja neironu tīkls to spēj izdarīt, tad rodas sekojoši jautājumi, vai tas to dara labāk kā citi līdzīgi risinājumi un vai tas ir efektīvs risinājums. Maģistra darba mērķis ir pārliecināties, vai neironu tīkli spēj efektīvi un precīzi klasificēt numura zīmes, izmantojot satvaru TensorFlow. Lai sasniegtu darba mērķi, tika paveikti vairāki uzdevumi: izpētītas skaitļošanas resursu izmaksas, izveidots TensorFlow mode…