Máte zájem přidat témata dizertací do této kategorie? Napište, prosím, na info@martinvita.eu.

Přehled pracovišť:

Ústav pro výzkum a aplikace fuzzy modelování OU

Možnosti navigace dronu v budovách

Školitel: prof. Irina Perfiljeva, CSc.

Konzultant: Mgr. Petr Hurtík, Ph.D.

Anotace: Práce se zabývá automatizovanou navigací dronu, tedy zařízení schopného samostatného pohybu (letu), vybaveného kamerou v uzavřených prostorech, kde se předpokládá absence GPS signálu a tedy nutnost vizuální navigace. Tato navigace, respektive pohyb dronu předpokládá využití v následujících úlohách: vytváření modelů budov; průzkum nebezpečných oblastí; sledování pohyblivých objektů v budově. Pro řešení úloh se předpokládá zvládnutí následujících problémů: realizace programové komunikace mezi dronem a ovládajícím zařízením; nalezení a klasifikace objektů v obrazu; sledování objektů v jednotlivých snímcích videa; vytváření 3D modelů; realizace kontroléru pro pohyb dronu; rozpoznání gest. Jako výstup práce se předpokládá, že autor přispěje k problematice teoreticky (v podobě publikovaných článků) i prakticky (v podobě implementace navržených algoritmů pro konkrétní model dronu).

Rekonstrukce poškozených obrazů využítím vzorů a neuronových sítí

Školitel: prof. Irina Perfiljeva, CSc.

Konzultant: Mgr. Pavel Vlašánek, Ph.D.

Anotace: Práce by měla za úkol studovat možnosti rekonstrukce velkých oblastí v obrazu, kde by jednotlivé části „k dosazení“ (záplaty) nemusely být v obraze vůbec obsaženy. Záplaty se budou čerpat z připravené databáze pomocí neuronové sítě naučené právě na tuto úlohu a následně post processingem upravovat a zasazovat na správná místa.

Ústav informatiky AV ČR

Evoluční optimalizace a aktivní učení (školitel: doc. Ing. RNDr. Martin Holeňa, CSc.)

Anotace: Evoluční algoritmy jsou v posledních 20 letech jednou z nejúspěšnějších metod pro řešení netradičních optimalizačních problémů, jako např. hledání nejvhodnějších dokumentů obsahujících požadované informace, objevování nejzajímvějších informací v dostupných datech či další typy optimalizačních úloh, při nichž lze hodnoty cílové funkce získat pouze empiricky. Protože evoluční algoritmy pracují pouze s funkčními hodnotami optimalizované funkce, blíží s k jejímu optimu podstatně pomaleji než optimalizační metody pro hladké funkce, které využívají rovněž informace o gradientu optimalizované funkce, případně o jejích druhých derivacích. Tato vlastnost evolučních algoritmů je zvláště nepříjemná ve spojení se skutečností, že empirické získání hodnoty optimalizované funkce bývá obvykle značně nákladné i časově náročné. Evoluční algoritmy však lze podstatně urychlit tím, že při vyhodnocování funkční hodnoty optimalizované funkce používají empirickou optimalizovanou funkci jen občas, zatímco většinou vyhodnocují pouze její dostatečně přesný regresní model. Právě přesnost modelu určuje, jak úspěšnou náhražkou původní empirické funkce bude. Proto se po získání každé nové generace bodů, v nichž byla empirická funkce vyhodnocena, model zpřesňuje opakovaným učením zahrnujícím tyto body. Lze však jít ještě dále a již při volbě bodů pro empirické vyhodnocení brát kromě hodnoty empirické funkce také v úvahu, jak při opakovaném učení modelu přispějí k jeho zpřesnění. Takový přístup se označuje jako aktivní učení. Používání aktivního učení k urychlení evolučních algoritmů je však teprve v úplných začátcích a měla by ho podpořit i navržená práce. (http://www2.cs.cas.cz/~martin/)

Urychlení evoluční optimalizace pomocí gaussovských procesů

Školitel: doc. Ing. RNDr. Martin Holeňa, CSc.

Anotace: Evoluční algoritmy jsou v posledních 20 letech jednou z nejúspěšnějších metod pro řešení netradičních optimalizačních problémů, jako např. hledání nejvhodnějších dokumentů obsahujících požadované informace, objevování nejzajímavějších informací v dostupných datech či další typy optimalizačních úloh, při nichž lze hodnoty cílové funkce získat pouze empiricky. Protože evoluční algoritmy pracují pouze s funkčními hodnotami optimalizované funkce, blíží s k jejímu optimu podstatně pomaleji než optimalizační metody pro hladké funkce, které využívají rovněž informace o gradientu optimalizované funkce, případně o jejích druhých derivacích. Tato vlastnost evolučních algoritmů je zvláště nepříjemná ve spojení se skutečností, že empirické získání hodnoty optimalizované funkce bývá obvykle značně nákladné i časově náročné. Evoluční algoritmy však lze podstatně urychlit tím, že při vyhodnocování funkční hodnoty optimalizované funkce používají empirickou optimalizovanou funkci jen občas, zatímco většinou vyhodnocují pouze její dostatečně přesný regresní model. K nejslibnějším regresním modelům patří modely založené na gaussovských procesech. Není proto divu, že právě ony patřily k prvním, které se pro urychlení evoluční optimalizace začaly používat. Přesto je výzkum urychlování evolučních algoritmů pomocí gaussovských procesů teprve v začátcích. Příspěvkem k němu by měla být i navržená práce. (http://www2.cs.cas.cz/~martin/)

Urychlení evoluční optimalizace pomocí neparametrické regrese

Školitel: doc. Ing. RNDr. Martin Holeňa, CSc.

Anotace: Evoluční algoritmy jsou v posledních 20 letech jednou z nejúspěšnějších metod pro řešení netradičních optimalizačních problémů, jako např. hledání nejvhodnějších dokumentů obsahujících požadované informace, objevování nejzajímavějších znalostí v dostupných datech, či další typy optimalizačních úloh, při nichž lze hodnoty cílové funkce získat pouze empiricky. Protože evoluční algoritmy používají pouze funkční hodnoty cílové funkce, blíží s k jejímu optimu mnohem pomaleji než optimalizační metody pro hladké funkce, které využívají rovněž informace o gradientu cílové funkce, případně i o jejích druhých derivacích. Tato vlastnost evolučních algoritmů je zvláště nevýhodná v kontextu nákladného a časově náročného empirického způsobu získávání hodnot cílové funkce. Evoluční algoritmy však lze podstatně urychlit, jestliže při vyhodnocování funkčních hodnot cílové funkce používají empirickou cílovou funkci jen občas, zatímco většinou vyhodnocují pouze dostatečně přesný regresní model této funkce. Většina regresních modelů je vybírána z rodin funkcí parametrizovaných konečným počtem předem daných parametrů, např. lineární regrese, polynomiální regrese, regrese založená na jádrových funkcích nebo na některých typech umělých neuronových sítí. Díky růstu výkonnosti počítačů však v posledních dvou desetiletích získaly značný význam i modely neparametrické. Ty jsou výpočetně náročnější, ale také flexibilnější a díky tomu univerzálnější. Jejich nejtradičnějším často používaným zástupcem jsou zobecněné aditivní modely. Výzkum využitelnosti neparametrických regresních modelů k urychlení evoluční optimalizace empirických funkcí je však teprve na samém počátku. Přispět by k němu měla i navržená práce. (http://www2.cs.cas.cz/~martin/)

Urychlení evolučních algoritmů pomocí náhodných lesů

Školitel: doc. Ing. RNDr. Martin Holeňa, CSc.

Anotace: Evoluční algoritmy jsou v posledních 20 letech jednou z nejúspěšnějších metod pro řešení netradičních optimalizačních problémů, jako např. hledání nejvhodnějších dokumentů obsahujících požadované informace, objevování nejzajímavějších informací v dostupných datech či další typy optimalizačních úloh, při nichž lze hodnoty cílové funkce získat pouze empiricky. Protože evoluční algoritmy pracují pouze s funkčními hodnotami optimalizované funkce, blíží s k jejímu optimu podstatně pomaleji než optimalizační metody pro hladké funkce, které využívají rovněž informace o gradientu optimalizované funkce, případně o jejích druhých derivacích. Tato vlastnost evolučních algoritmů je zvláště nevýhodná v kontextu nákladného a časově náročného empirického způsobu získávání hodnot cílové funkce. Evoluční algoritmy však lze podstatně urychlit, jestliže při vyhodnocování funkčních hodnot cílové funkce používají empirickou cílovou funkci jen občas, zatímco většinou vyhodnocují pouze dostatečně přesný regresní model této funkce. Jednoduchý, ale často používaný typ regresních modelů je specifický typ rozhodovacích stromů, tzv. regresní stromy. Od počátku minulého desetiletí se věnuje pozornost také vytváření kombinací rozhodovacích stromů, tzv. náhodných lesů. Výzkum využitelnosti náhodných lesů k urychlení evoluční optimalizace empirických funkcí je však teprve na samém počátku. Přispět by k němu měla i navrhovaná práce. (http://www2.cs.cas.cz/~martin/)

Fakulta elektrotechniky a komunikačních technologií VUT

Metody hlubokého učení pro zpracování obrazových dat

Školitel: doc. Ing. Radim Kolář, Ph.D.

Anotace: Toto téma se zabývá využitím moderních variant umělých neuronových sítí v oblastech zpracování a analýzy statických obrazů a videosekvencí. Během řešení se předpokládá hlubší studium pokročilých metod strojového učení především v oblasti konvolučních neuronových sítí, možnosti využití již naučených sítí na jiné aplikace, využití metod tzv. progresivního učení pro řešení nových a komplexních problémů, studium a modifikace rekurentních neuronových sítí pro segmentaci a sledování objektů v obrazových datech. Konkrétní aplikace budou zaměřeny především na segmentaci a sledování osob a objektů v obecných scénách, včetně detekce obličeje s využitím v oblasti biometrie a biomedicíny.

Pokročilé metody analýzy dynamiky variability srdečního rytmu

Školitel: doc. Ing. Jana Kolářová, Ph.D.

Anotace: Téma je zaměřeno na vývoj pokročilých metod pro analýzu dynamické složky variability srdečního rytmu. Cílem práce je propojit metody pro analýzu časových řad se současnými, převážně nelineárními, metodami analýzy variability srdečního rytmu, ověřit vlastnosti navrženého přístupu na experimentálních kardiologických datech, a popsat diskriminační schopnost navrženého přístupu v komparačních studiích.

Detekce a klasifikace metastatických lézí v páteři a dalších kostech na základě monoenergetických a spektrálních 3D CT obrazových dat, včetně analýzy trendu časového vývoje

Vliv hemodynamických dějů na elektrickou aktivitu izolovaného srdce

Školitel: doc. Ing. Jana Kolářová, Ph.D.

Anotace: Práce je zaměřena na analýzu experimentálních kardiologických dat. Cílem práce bude sledování hemodynamiky izolovaných srdcí ve vztahu k elektrofyziologickým dějům. První částí práce bude podrobné studium elektrofyziologických a hemodynamických dějů v srdci během jednotlivých srdečních fází. Druhá aplikační část bude zaměřena na návrh pokročilých algoritmů pro předzpracování a analýzu nasnímaných simultánních signálů. Výstupem práce bude popis dynamických dějů nastávajících během experimentů zaměřených na studium srdeční práce při změně zátěže. Databáze experimentálních dat je k dispozici na pracovišti školitele.

Školitel: prof. Ing. Jiří Jan, CSc.

Anotace: Návrh a vývoj nových metod analýzy CT obrazových dat pro automatickou detekci a klasifikaci lézí v páteři a dalších kostech, včetně sledování jejich časového vývoje v seriích CT vyšetření, se zaměřením na zlepšení diagnostiky v onkologických klinických aplikacích. Získání dat i medicínské hodnocení výsledků bude výsledkem spolupráce se zahraničními i tuzemskými lékařskými pracovišti. Téma je součástí dlouhodobého projektu řešeného v rámci smlouvy s firmou PHILIPS NEDERLAND; v rámci této smlouvy je možné poskytovat úspěšným studentům zajímavé pravidelné navýšení stipendia. Od uchazeče se kromě zájmu o výzkumnou práci v renomovaném týmu očekává schopnost tvůrčího myšlení a osvojování si publikovaných metod, formulace strukturovaných algoritmů, programování v prostředí MATLAB a předběžná znalost základní metodologie zpracování a analýzy obrazových dat.

Pokročilé algoritmy pro monitoring aktivity mobilními senzory

Školitel: Ing. Martin Vítek, Ph.D.

Anotace: Téma dizertační práce je zaměřeno na sledování a hodnocení aktivity jedinců s využitím senzorů běžně dostupných v mobilních zařízeních (akcelerometr, GPS, mikrofon, senzor srdečního tepu) a lze jej rozdělit na dvě části. Cílem první části je analyzovat možnosti mobilních zařízení, seznámit se s typy snímaných dat a posoudit jejich potenciál. Cílem druhé části je návrh pokročilých algoritmů pro zpracování nasnímaných dat za účelem identifikace jednotlivých druhů vykonávaných aktivit (odpočinek, chůze, běh). Od uchazeče se očekává znalost programování v prostředí Matlab a přehled v oblasti zpracování a analýzy 1D signálů.

Analýza 3D CT monoenergetických a spektrálních dat zaměřená na stanovení prostorové minerální hustoty kostí u norm. i okol. pacientů, včetně analýzy trendu časového vývoje

Školitel: prof. Ing. Jiří Jan, CSc.

Anotace: Návrh a vývoj nových metod analýzy CT obrazových dat pro automatické stanovení prostorové distribuce minerální hustoty kostí v CT obrazových datech a trendu jejího časového vývoje, se zaměřením na zlepšení diagnostiky v onkologických i jiných klinických aplikacích. Získání dat i medicínské hodnocení výsledků bude výsledkem spolupráce se zahraničními i tuzemskými lékařskými pracovišti. Téma je součástí dlouhodobého projektu řešeného v rámci smlouvy s firmou PHILIPS NEDERLAND; v rámci této smlouvy je možné poskytovat úspěšným studentům zajímavé pravidelné navýšení stipendia. Od uchazeče se kromě zájmu o výzkumnou práci v renomovaném týmu očekává schopnost tvůrčího myšlení a osvojování si publikovaných metod, formulace strukturovaných algoritmů, programování v prostředí MATLAB a předběžná znalost základní metodologie zpracování a analýzy obrazových dat.

Bioinformatická analýza genové exprese u kardiomyopatie

Školitel: prof. Ing. Ivo Provazník, Ph.D.

Anotace: Kardiomyopatie je častou příčinou selhání srdce a srdečních transplantaci. Tato studie má za cíl prozkoumat potenciální geny související s kardiomyopatií a dále zkoumat jejich základní regulační mechanismus za použití bioinformatiky. Budou použity profily genové exprese získané z Gene Expression Omnibus databáze. Diferenciálně exprimované geny budou vyhledávány porovnáním normálních a s kardiomyopatií souvisejících vzorků s využitím nových metod bioinformatiky. Dále budou predikovány potenciální transkripční faktory a microRNA těchto genů souvisejících s kardiomyopatií na základě jejich vazebných sekvencí. Kromě toho budou geny související s kardiomyopatií použity k nalezení malých molekul jako potenciálních terapeutických léčiv pro kardiomyopatii.