Mgr. Petr Šimánek

Mgr. Petr Šimánek

doc. Ing. Pavel Kordík, Ph.D.

Katedra aplikované matematiky

Práce je zaměřena na detekci poruch z kamerové inspekce kanalizace. Cílem práce je vytvořit model hluboké neuronové sítě, která dokáže s vysokou přesností určit, zda je na daném snímku porucha v kanalizaci či ne, a ulehčit tak práci technikům, kteří by jinak museli celý záznam analyzovat ručně. Natrénovaný model pro detekci chyb dosáhl přesnost na testovacím datasetu 99\%. Pro klasifikaci chyb navrhuji použít řešení pomocí dvou modelů, první by detekoval, jestli je obrázek vadný a nebo ne, druhý na základě obrázků označených jako vadné, by klasifikoval chyby. Pro detekci vad byl použit předchozí model. Přesnost klasifikace chyb byla 87\% na testovacích datech.

Práce na DSpace

Mgr. Petr Šimánek

doc. Ing. Pavel Kordík, Ph.D.

Katedra aplikované matematiky

Vodní rozvodná síť je komplexní systém potrubi a uzlů, které jsou vzájemně propojeny a kterými procházi voda. Jednim z nejdůležitějšich problémů v takových sitich jsou úniky. Tento článek představuje několik metod řešeni tohoto problému. Byl zaveden benchmark pro přesnějši vyhodnoceni algoritmů a byly implemen- továny metody, jako jsou one-class SVM, izolačni les a LSTM. Data použitá v této práci byla uměle vytvořena na základě skutečných historických dat pomoci frameworku LeakDB.

Práce na DSpace

Mgr. Petr Šimánek

Ing. Jitka Hrabáková, Ph.D.

Katedra aplikované matematiky

Tato práce aplikuje metody predikce časoprostorových dějů na problém predikce pohybu účastníků provozu pro autonomní vozidla. Sekvence umělých rasterizovaných snímků z ptačího pohledu jsou použity jako vstup do neuronových sítí, které jsou natrénovány k predikování nejpravděpodobnějšího pokračování dané sekvence. Dataset Lyft Motion Prediction for Autonomous Vehicles je prozkoumán a upraven pro tento úkol. Několik typů neuronových sítí, zejména ConvLSTM, PredRNN, PhyDNet a U-Net, je prozkoumáno, natrénováno a jejich výsledky porovnány.

Práce na DSpace

Mgr. Petr Šimánek

Ing. Mgr. Ladislava Smítková Janků, Ph.D.

Katedra aplikované matematiky

Detekce textu je náročný úkol, zejména pokud jde o detekci konkrétních typů textu, jako jsou například názvy míst na historických mapách. Tato práce představuje dvě metody založené na konvolučních neuronových sítích, PSENet a TextPMs, implementované v PyTorch knihovně pro detekci názvů míst na historických mapách a hodnotí jejich výkon pomocí Nomenclature datasetu. Kromě toho práce zkoumá účinnost předtrénovaných modelů na TotalText datasetu pro detekci nomenklatur v historických mapách. I když předtrénované modely nedosáhly slibných výsledků, navržené metody dosáhly f-skóre v hodnotě 88,8% a 91,1%, což dokazuje jejich vhodnost pro tuto úlohu. Celkově tato práce přináší přínos do oblasti analýzy historických map tím, že představuje účinné metody pro detekci textu v této náročné oblasti.

Práce na DSpace

Mgr. Petr Šimánek

doc. Ing. Pavel Hrabák, Ph.D.

Katedra aplikované matematiky

Hodnocení nejistoty je důležitým aspektem hlubokého učení. Protože většina modelů nedokáže vysvětlit své predikce, je vhodné vyjádřit míru jejich nejistoty. V této práci se zabýváme způsoby jak tohoto dosáhnout. Implementovali jsme metody MC dropout a kvantilové regrese do modelu PhyDNet, což je aktuálně nejmodernější predikční model pro časoprostorové jevy -- v našem případě míru srážek. MC dropout se ukazuje být flexibilní metodou, která však potřebuje pečlivou konfiguraci. Kvantilová regrese nabízí pozoruhodnou pravděpodobnost pokrytí, ale zjistili jsme, že tato metoda může podceňovat nejistotu v oblastech nízké hustoty srážek. Představujeme podrobný přehled těchto metod a dáváme tím čtenáři do rukou cennou příručku pro výběr nejvhodnější metody v závislosti na konkrétních požadavcích a cílech.

Práce na DSpace

Mgr. Petr Šimánek

Ing. Mgr. Ladislava Smítková Janků, Ph.D.

Katedra aplikované matematiky

Tématem bakalářské práce je použití metod hlubokého učení na úlohu sémantické segmentace historických map. Teoretická část uvádí současné přístupy k segmentace obrazu v kontextu analýzy historických dokumentů. Dále zavádí definice z oblasti zpracování obrazu, strojového učení a aplikované matematiky. V praktické části je analyzován konkrétní dataset historických map a použit pro implementaci dvou modelů hlubokého učení (UNet a TransUNet). Následuje experimentální sekce, v níž jsou sledovány vlivy dílčích modifikací modelů na jejich výkonnost. Výsledky praktické a experimentální části jsou analyzovány v Diskusi. Výstupy práce mohou být dále použity pro studium získávání znalostí z historických dokumentů.

Práce na DSpace

Mgr. Petr Šimánek

Ing. Daniel Vašata, Ph.D.

Katedra aplikované matematiky

Nowcasting srážek si klade za cíl poskytovat přesné krátkodobé předpovědi srážek pro určitou oblast. V posledních letech se k takovým předpovědím čím dál častěji využívají hluboké neuronové sítě. Zaměřením této práce je vylepšení jedné z těchto sítí, PhyDNet, sestávající se z dvouvětvé architektury, která rozplétá fyzikální dynamiku bouřek od ostatních informací. V jedné z větví PhyDNetu se v současnosti využívá jednoduchý model pro obecné předpovídání snímků videa, ConvLSTM. V této práci provádíme několik úprav PhyDNetu, od malých změn současné architektury až po experimentování s využitím jiných modelů místo ConvLSTM, specificky SA-ConvLSTM a PredRNN. Tato práce přináší dvě perspektivní modifikace -- nahrazení ConvLSTM za komplexnější model PredRNN a přidání zkratky (tzv. skip connection) do větve zodpovědné za modelování fyzikální dynamiky. Naše experimenty ukazují, že tyto změny přináší lepší výsledky oproti původnímu modelu, obzvláště pro dlouhodobější předpovědi.

Práce na DSpace

Mgr. Petr Šimánek

Ing. Daniel Vašata, Ph.D.

Katedra aplikované matematiky

Krátkodobá predpoveď počasia (nowcasting) zohráva kľúčovú úlohu pri predvídaní extrémnych výkyvov počasia. V tejto práci sa zaoberám chybami, ktoré môžu byť vnesené do predikcí konvolučných neurónových sietí. Skúmal som, či aplikácia usmerneného prevzorkovania (Guided Upsampling) namiesto transponovanej konvolúcie môže zlepšiť presnosť a spoľahlivosť predpovedí počasia. Na tento účel som vytrénoval modely UNet a GUNet (Guided UNet) na radarových snímkoch zo siete meteorologických radarov vytvorených radarovým programom OPERA. Na analýzu oboch modelov som použili ukazovatele výkonnosti, ako sú stredná kvadratická chyba (MSE), stredná absolútna chyba (MAE) a index štrukturálnej podobnosti (SSIM). Výsledky ukázali, že model GUNet mierne prekonal UNet z hľadiska priemernej strednej absolútnej chyby a strednej kvadratickej chyby. Navyše preukázal lepšiu schopnosť zachytiť vyššie frekvencie vo Fourierovom spektre radarových snímkov. Okrem toho GUNet dosahoval sčasti lepšie výsledky na snímkach s vyššou intenzitou radarového echa, čo je významné pre predpovedanie závažných poveternostných udalostí. Na základe týchto výsledkov možno konštatovať, že model GUNet má potenciál na zlepšenie krátkodobých predpovedí počasia. Výsledky mojej práce poskytujú priestor pre ďalší výskum v tejto oblasti.

Práce na DSpace

Mgr. Petr Šimánek

Katedra aplikované matematiky

Přesná detekce mraků je klíčovou součástí předzpracování satelitních snímků pro různé aplikace dálkového průzkumu Země. V posledních letech byla navržena řada metod hlubokého učení pro detekci mraků, jako jsou například konvoluční neuronové sítě nebo vision transformery, a cílem této práce je tyto metody porovnat. V této práci je provedena rešerše aktuální literatury zabývající se detekcí mraků a jsou podrobně zkoumány architektury U-Net a SegFormer. Ty byly implementovány ve frameworku PyTorch a trénovany na datasetu 38-Cloud, který obsahuje snímky ze satelitu Landsat-8. Výkon těchto dvou metod je pak hodnocen pomocí metrik přesnosti, Intersection over Union (IoU) a F1 skóre. Výsledky ukazují, že SegFormer mírně překonává architekturu založenou na U-Netu v přesnosti, zatímco U-Net mírně překonává SegForer v metrikách IoU a F1. U-Net navíc potřebuje výrazně méně času k natrénování. To dokazuje, že i přesto, že je U-Net poměrně jednoduchý a starý, stále zůstává relevantní a efektivní architekturou hlubokého učení. Zjištění této práce mohou pomoci ostatním odborníkům zvolit vhodný model hlubokého učení pro jejich aplikaci a poskytují dobrý základ pro další výzkum.

Práce na DSpace

Mgr. Petr Šimánek

Ing. Miroslav Čepek, Ph.D.

Katedra aplikované matematiky

Tato práce se zabývá použitím pokročilých difuzních modelů založených na hlubokém učení a to konkrétně architektur SR3, SRDiff a ResDiff, pro superrozlišení meteorologických dat. Hlavním cílem je posoudit schopnost těchto modelů zvyšovat rozlišení meteorologických proměnných ze vstupů s nízkým rozlišením. Tato schopnost je klíčová pro analýzu klimatu a přesnou předpověď počasí. Prostřednictvím experimentů prováděných na WeatherBench datasetu, tato práce porovnává tyto modely pomocí různých validačních metrik a vylepšuje jejich architekturu. Výsledky experimentů ukazují, že SRDiff, ResDiff a jeho varianta vylepšená pomocí fyzikálních konvolučních filtrů, výrazně překonávají původní SR3 model a lépe zachycují vysokofrekvenční detaily důležité pro přesnou reprezentaci počasí. Tato práce ukazuje potenciál využití umělé inteligence v meteorologii a vytváří základ pro budoucí pokrok difuzních modelů v tomto oboru.

Práce na DSpace

Mgr. Petr Šimánek

Mgr. Petr Novák, Ph.D.

Katedra aplikované matematiky

Pri krátkodobých predpovediach zrážok s vysokým rozlíšením z hľadiska chyby predpovede dominujú metódy hlbokého učenia. Avšak, ich operatívne používanie je obmedzené problémami s vysvetliteľnosťou dynamiky za predpoveďami. Tieto sú zároveň vyhladené a chýbajú im vysokofrekvenčné prvky v dôsledku optimalizácie pre stratové funkcie založené na strednej chybe. V tejto práci je zhrnutý náš pokrok pri riešení týchto problémov. V prvej časti predstavujeme Intensity Classification Loss na zlepšenie predpovede silných zrážok. Model je natrénovaný vytvárať sekundárny výstup predpovedajúci pravdepodobnosť zrážok s intenzitou nad 40 dBZ, ktorý sa porovnáva s binárnou skutočnosťou. Experimenty ukázali, že tento prístup pomáha predpovedať silné zrážky, ale nepredpovedá zrážky s vyššou intenzitou, ako je zvolený prah. V druhej časti experimentujeme s ručným vkladaním diferenciálnej rovnice advekcie-difúzie do PhyCell. Cieľom je vniesť lepšiu apriornú znalosť o fyzike do modelu PhyDNet, ktorý oddeľuje fyzikálnu a reziduálnu dynamiku. Výsledky naznačujú, že zatiaľ čo sa PhyCell dokáže naučiť zamýšľanú dynamiku, tréning modelu PhyDNet zostáva riadený optimalizáciou stratovej funkcie. Toto vedie k modelu s nezmenenými predikčnými vlastnosťami.

Práce na DSpace

Mgr. Petr Šimánek

doc. Ing. Kamil Dedecius, Ph.D.

Katedra aplikované matematiky

Geostacionární meteorologické satelity jsou zdrojem globálních a častých pozorování počasí, ale nepozorují přímo srážky. V této práci zkoumáme metody odhadování a předpovídání srážek ze satelitních dat. Cílem této práce je předpovědět až 8 hodin radarových snímků srážek s vysokým rozlišením z multispektrálních satelitních snímků s větším kontextem ale menším rozlišením. Pro tento úkol jsme vyvinuli nový model hlubokého učení s využitím neuronových sítí U-Net a PhyDNet. Nazvali jsme jej WeatherFusionNet, protože slučuje tři různé způsoby zpracování satelitních dat; předpovídání budoucích satelitních snímků, odhadnutí srážek ve vstupní sekvenci a přímé použití vstupní sekvence. Pro trénování a vyzkoušení modelu na reálných datech jsme se zúčastnili NeurIPS soutěže Weather4cast 2022, která poskytuje prostorově a časově srovnané satelitní snímky a cílová radarová data. WeatherFusionNet dosáhla prvního místa v hlavní části soutěže. Dále jsme experimentovali s několika dalšími modely, zkusili zahrnout statická data do vstupu a porovnali náš model s předpovídáním přímo z radaru.

Práce na DSpace

Mgr. Petr Šimánek

Mgr. Alexander Kovalenko, Ph.D.

Katedra teoretické informatiky

Tato práce představuje nový Neurální celulární automat se zapojením známé fyzikální dynamiky (PINCA), který spojuje neurální celulární automaty s integrací fyzikální dynamiky. Cílem modelu PINCA je naučit se diferenciální operátory přes učící konvoluční filtry a odhalit řídící rovnice daného procesu i z velmi malých datasetů. Funkce modelu je demonstrována na procesu vývoje vzorů na srsti leoparda, kde byla odhalena unikátní řídící reakčně-difuzní rovnice. Práce se dále zabývá buněčnou specializací skrze zkoumání chování skrytých kanálů modelu Growing neural cellular automata. Hlavním obsahem této práce je podrobná rešerše literatury a vývoj modelu PINCA. Práce spojující umělou inteligenci a fyziku nabízí nové nástroje pro modelování a chápání komplexních systémů.

Práce na DSpace

Mgr. Petr Šimánek

Mgr. Alexander Kovalenko, Ph.D.

Katedra aplikované matematiky

Přesné předpovědi počasí mají zásadní význam pro řadu aplikací, od zemědělství až po řízení a prevenci katastrof. Mnoho prací, které se snaží využít modely hlubokého učení k vytváření předpovědí počasí, se nezabývá prostorovými vzorci a lokalizovanými jevy, které jsou pro atmosférické proměnné typické. Tato práce zkoumá různé přístupy k vytváření modelů hlubokého učení, které zohledňují inherentní nejistotu předpovědí modelováním předpovědí jako pravděpodobnostních. Dále zvažuje několik metod kódování prostorových informací ve snaze využít korelaci mezi geografickým profilem lokality a pozorovanými vzorci počasí. Začleněním naučených hex2vec embeddingů H3-regionalizovaných mapových dat do Temporal Fusion Transformeru se nám podařilo prokázat výrazné zlepšení přesnosti předpovědí a také demonstrovat potenciál vysvětlitelnosti při použití tohoto nastavení.

Práce na DSpace