This thesis deals with real-time human activity recognition (eg, running, walking, driving, etc.) using sensors which are available on current mobile devices. The final product of this thesis consists of multiple parts. First, an application for collecting sensor data from mobile devices. Followed by a tool for preprocessing of collected data and creation of a data set. The main part of the thesis is the design of convolutional neural network for activity classification and subsequent use of this network in an Android mobile application. The combination of previous parts creates a comprehensive framework for detection of user activities. Finally, some interesting experiments were made and evaluated (eg, the influence of specific sensors on detection precision).

Ne vždy je jednoduché získání dostatečně velké a kvalitní datové sady s obrázky zřetelných artefaktů, ať už kvůli nedostatku ze strany zdroje dat nebo složitosti tvorby anotací. To platí například pro radiologii, nebo také strojírenství. Abychom mohli využít moderní uznávané metody strojového učení které se využívají pro klasifikaci, segmentaci a detekci defektů, je potřeba aby byla datová sada dostatečně velká a vyvážená. Pro malé datové sady čelíme problémům jako je přeučení a slabost dat, které způsobují nesprávnou klasifikaci na úkor málo reprezentovaných tříd. Tato práce se zabývá prozkoumáváním využití generativních sítí pro rozšíření a vyvážení datové sady o nové vygenerované obrázky. Za použití sítí typu Conditional Generative Adversarial Networks (CGAN) a heuristického generátoru anotací jsme schopni generovat velké množství nových snímků součástek s defekty. Pro experimenty s generováním byla použita datová sada závitů. Dále byly použity dvě další datové sady keramiky a snímků z MRI (BraTS). Nad těmito dvěma datovými sadami je provedeno zhodnocení vlivu generovaných dat na učení a zhodnocení přínosu pro zlepšení klasifikace a segmentace.

The aim of the following thesis was to study the issue of optical disc and retinal vessels segmentation in ophthalmologic sequences. The theoretical part of the thesis summarizes the principles of different approaches in the field of deep learning, which are used in connection with the given issue. Based on the theoretical part, methods for optical disk segmentation and retinal vessel segmentation based on the convolutional neural networks Linknet, PSPNet, Unet and MaskRCNN are proposed. The practical part of the thesis deals with the description of their implementation and subsequent evaluation.

The goal of this thesis is to create overall, automatic and non-contact quality control of a pellet. The issue is divided into two separate parts. The first part deals with precise dimensional measuring of pellet - its length and head diameter so that it is precise and reasonably fast. Precise measuring is achieved with help of algorithms which achieve the sub-pixel precision by polynomial approximation of the edges extracted from the image gradients. The second part deals with the defects of a pellet. Detecting defects like longitudinal furrows or skirt cuts is achieved with convolutional neural networks. The measurement modules work with the resulting precision up to 0.025 mm in case of length measuring and up to 0.01 mm in case of head diameter measuring. In case of defect detections, neural network shows very high classification success rate. The contribution of this thesis is a presentation of innovative approaches in automatic quality control of pellets with use of neural networks and a demonstration of its usage in real manufacturing process.

The aim of this Master's thesis is to design methods of active learning and to experiment with datasets of historical documents. A large and diverse dataset IMPACT of more than one million lines is used for experiments. I am using neural networks to check the readability of lines and correctness of their annotations. Firstly, I compare architectures of convolutional and recurrent neural networks with bidirectional LSTM layer. Next, I study different ways of learning neural networks using methods of active learning. Mainly I use active learning to adapt neural networks to documents that the neural networks do not have in the original training dataset. Active learning is thus used for picking appropriate adaptation data. Convolutional neural networks achieve 98.6\% accuracy, recurrent neural networks achieve 99.5\% accuracy. Active learning decreases error by 26\% compared to random pick of adaptations data.

Tématem práce je použití konvolučních neuronových sítí pro obecnou restauraci obrazu. Ta se typicky provádí za pomoci specializovaných metod pro konkrétní typ poškození. Model konvoluční sítě zde představuje jednotný přístup, který je aplikován na dva různé typy degradace obrazu, pohybem rozmazané snímky registračních značek a artefakty vznikající vysokou kompresí. Na modely konvolučních sítí je nahlíženo ze dvou úhlů. A to jak dobře si konvoluční sítě vedou v porovnání se současnými metodami pro restauraci konkrétního typu poškození a jak velký rozsah poškození je právě jeden model ještě schopen zpracovat. Klasické metody jsou charakteristické svým úzkým zaměřením na konkrétní typ poškození. Díky své specializaci tyto metody dosahují velmi dobrých výsledků a reprezentují tak dosažené poznání v oboru. Naproti tomu je představena myšlenka jednotného přístupu, tedy mapování poškozeného obrazu přímo na restaurovaný obraz. Ta je primárně ovlivněna současným vývojem konvolučních neuronových sítí a jejich hlubokého učení v počítačovém vidění. Právě učením konvoluční sítě lze jednoduše získat model zaměřený na konkrétní typ poškození. Ten je současně nezřídka schopen pokrýt širokou škálu úrovní konkrétního poškození. V práci je představena metoda přímého mapování z rozmazaného na ostrý obraz pro restauraci pohybem rozmazaných snímků. Ta je odvozena od modelů využívaných v počítačovém vidění pro sémantickou segmentaci obrazu. V případě odstranění kompresních artefaktů je tento přístup rozšířen o specifické učení modelu a různé modifikace samotné architektury sítě. Modely konvolučních sítí v porovnání s tradičními metodami dosahují kvalitativně lepších výsledků. Zároveň se zde představené modely jednoduše vypořádají s širokým rozsahem konkrétního poškození. Ukazuje se tak, že právě modely konvolučních sítí by mohly reprezentovat jednotný přístup pro restauraci různých typů poškozeni.

The aim of this work is to study and test current methods for face detection on veiled faces and evaluate the results. In the first chapter, five selected methods are theoretically analyzed and in the second chapter the individual methods are evaluated, both for the Wider Face file and for the actual set of photos with veiled faces. Subsequently, the Dlib CNN method is improved for better detection of veiled faces and reprogrammed to detect the degree of veil from the tested image

This thesis is focused on making application for mobile devices, which records progress of chess game. This is achieved by image recognition on input from camera. Chess figures are classified by neural network. Usage of application is during training or real matches to record games and then for analyzing these games. For analyzing, my application offers record in standard algebraic notation. User can also add notes to every game.

This master's thesis deals with pedestrian detection using neural networks in a video record captured by drone. Pedestrians are tracked, and their GPS coordinates are calculated using digital elevation models and mapped based on their identity and an information provided by the drone.

This thesis focuses on the possibility of using current methods in the field of computer vision to re-identify graffiti tags. The work examines the possibility of using convolutional neural networks to re-identify graffiti tags, which are the most common type of graffiti. The work experimented with various models of convolutional neural networks, the most suitable of which was MobileNet using the triplet loss function, which managed to achieve a mAP of 36.02%.