Umělé neuronové sítě jsou v dnešní době široce rozšířený algoritmus, který se úspěšně využívá v mnohých náročných aplikacích. Na rozdíl od von Neumannovských architektur nevyžadují specifikování pravidel na zpracování vstupních dat, což umožňuje dosahovat uspokojivých výsledků i v aplikacích, které nelze modelovat analyticky.
Tato práce se zabývá využitím neuronových sítí v aplikacích souvisejících s optikou. Nejprve jsou pomocí neuronové sítě modelovány transformace polarizačního stavu způsobené průchodem kroucenými nematickými tekutými krystaly. Následně jsou využity konvoluční neuronové sítě upravující rozlišení obrazu na počítání izolovaných emitorů ovlivněných difrakčním limitem a šumem.
Anotace v angličtině
Artificial neural networks are nowadays widely used algorithms, successfully utilized in many challenging applications. Unlike the von Neumann architectures, they do not require specifying the exact rules for processing the input data, which allows for achieving sufficient results even in applications, where all analytical models fail.
In this thesis, the possibility of utilizing these networks for optics related applications is explored. Firstly, we use the deep neural networks for modelling the transformation of the polarization state of light propagated through twisted nematic liquid crystal modules. Then, convolutional neural networks enhancing images affected by the diffraction limit and noise are utilized for counting point-like emitters.
Umělé neuronové sítě jsou v dnešní době široce rozšířený algoritmus, který se úspěšně využívá v mnohých náročných aplikacích. Na rozdíl od von Neumannovských architektur nevyžadují specifikování pravidel na zpracování vstupních dat, což umožňuje dosahovat uspokojivých výsledků i v aplikacích, které nelze modelovat analyticky.
Tato práce se zabývá využitím neuronových sítí v aplikacích souvisejících s optikou. Nejprve jsou pomocí neuronové sítě modelovány transformace polarizačního stavu způsobené průchodem kroucenými nematickými tekutými krystaly. Následně jsou využity konvoluční neuronové sítě upravující rozlišení obrazu na počítání izolovaných emitorů ovlivněných difrakčním limitem a šumem.
Anotace v angličtině
Artificial neural networks are nowadays widely used algorithms, successfully utilized in many challenging applications. Unlike the von Neumann architectures, they do not require specifying the exact rules for processing the input data, which allows for achieving sufficient results even in applications, where all analytical models fail.
In this thesis, the possibility of utilizing these networks for optics related applications is explored. Firstly, we use the deep neural networks for modelling the transformation of the polarization state of light propagated through twisted nematic liquid crystal modules. Then, convolutional neural networks enhancing images affected by the diffraction limit and noise are utilized for counting point-like emitters.
Cílem práce je využití metod strojového učení ve vybraných optických aplikacích. Po prvotním seznámení s koncepty a metodami strojového učení se student zaměří na hluboké učení. V umělých neuronových sítích se bude věnovat technikách optimalizace hyperparametrů. Demonstruje využití metod strojového učení ve vybraných optických aplikacích, například z oblasti polarimetrie, zobrazování či počítání jednofotonových emitorů. Konkrétně bude zkonstruována a optimalizována vícevrstvá plně propojená neuronová síť pro predikci polarizačních stavů připravených modulátory na bázi nematických kapalných krystalů. Dále bude navržena konvoluční síť pro zvýšení rozlišení zobrazení vzorků bodových emitorů. Práce bude směřovat k hodnocení vlivu šumu a emisní statistiky na kvalitu zobrazení. Kombinace konvoluční sítě s plně propojeným klasifikátorem následně umožní třídění vzorků podle počtu emitorů. Student bude diskutovat výhody a problémy demonstrovaných řešení a uvede je do souvislosti s dříve prezentovanými pracemi.
Zásady pro vypracování
Cílem práce je využití metod strojového učení ve vybraných optických aplikacích. Po prvotním seznámení s koncepty a metodami strojového učení se student zaměří na hluboké učení. V umělých neuronových sítích se bude věnovat technikách optimalizace hyperparametrů. Demonstruje využití metod strojového učení ve vybraných optických aplikacích, například z oblasti polarimetrie, zobrazování či počítání jednofotonových emitorů. Konkrétně bude zkonstruována a optimalizována vícevrstvá plně propojená neuronová síť pro predikci polarizačních stavů připravených modulátory na bázi nematických kapalných krystalů. Dále bude navržena konvoluční síť pro zvýšení rozlišení zobrazení vzorků bodových emitorů. Práce bude směřovat k hodnocení vlivu šumu a emisní statistiky na kvalitu zobrazení. Kombinace konvoluční sítě s plně propojeným klasifikátorem následně umožní třídění vzorků podle počtu emitorů. Student bude diskutovat výhody a problémy demonstrovaných řešení a uvede je do souvislosti s dříve prezentovanými pracemi.
Seznam doporučené literatury
Dle pokynů vedoucího.
Seznam doporučené literatury
Dle pokynů vedoucího.
Přílohy volně vložené
-
Přílohy vázané v práci
-
Převzato z knihovny
Ano
Plný text práce
Přílohy
Posudek(y) oponenta
Hodnocení vedoucího
Záznam průběhu obhajoby
Jméno a příjmení studenta: Dominik Vašinka Předseda komise: prof. Mgr. Jaromír Fiurášek, Ph.D. Vedoucí práce: RNDr. Miroslav Ježek, Ph.D. Oponent: Mgr. Dominik Koutný Hodnocení vedoucího: A Hodnocení oponenta: A
Výsledné hodnocení práce a její obhajoby: A
Název práce: Vícevrstvé neuronové sítě s aplikacemi v polarimetrii a zobrazování
Průběh obhajoby diplomové práce: Student prezentoval výsledky své bakalářské práce zaměřené na využití neuronových sítí pro estimaci polarizačních stavů fotonů a vyhodnocení počtu emitorů záření z pořízeného obrazu zdroje. V úvodu své prezentace student popsal principy a aplikace neuronových sítí. Byla diskutovaná struktura hlubokých neuronových sítí a strojové učení. Následně student prezentoval aplikaci neuronových sítí při přípravě a detekci polarizačního stavu světla s využitím tekutých krystalů. Bylo popsáno hluboké strojové učení polarizačních transformací, bylo provedeno srovnání s analytickým modelem a interpolací a byla diskutovaná možnost hledání inverzní transformace, tj. stanovení napětí pro přípravu požadovaného polarizačního stav. V druhé části prezentace bylo popsáno využití konvolučních neuronových sítí pro analýzu obrazu a dekonvoluci šumu. Student se specificky zaměřil na problematiku stanovení počtu emitorů záření z obrazu. Byl diskutován vliv odstupu signálu od šumu a výkon neuronových sítí trénovaných pro různé datové sady. V závěru prezentace byly stručně shrnuté hlavní dosažené výsledky a nastíněné možné další směry výzkumu. Po prezentaci zazněly posudky vedoucího práce a oponenta a student přesvědčivě odpověděl na otázky oponenta a členů komise.
Otázky: Proč nepředstavují lokální minima při optimalizaci neuronové sítě problém? Lze místo lineární aktivační funkce použít jinou aktivační funkci s lepšími vlastnostmi? Ovlivňují chyby rekonstrukce polarizačních stavů predikční schopnost sítě? Jaký je význam hodnoty sigma pro obraz v pixelech? Co by se stalo, kdybyste síti předložil místo snímku o rozměrech 28x28 pixelů snímek například s 50x50 pixely? Můžete podrobněji specifikovat popis použitých neuronových sítí, jejich inicializaci a výpočetní náročnost? Jak jsou definované SNR a přesnost? Jak postupovat, pokud bych se chtěl naučit programovat a používat neuronové sítě? Jaký počítačový hardware byl při výpočtech použitý, dal by se výpočet významně urychlit s využitím superpočítače?