but.committee	doc. Ing. František Zbořil, CSc. (předseda) doc. Ing. Vladimír Janoušek, Ph.D. (místopředseda) Ing. Vítězslav Beran, Ph.D. (člen) doc. RNDr. Aleš Horák, Ph.D. (člen) Ing. Martin Hrubý, Ph.D. (člen) Ing. Jaroslav Rozman, Ph.D. (člen)	cs
but.defence	Student nejprve prezentoval výsledky, kterých dosáhl v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Student následně odpověděl na otázky oponenta a na další otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm A. Otázky u obhajoby: Kolik hodin jste strávil manuální anotací s aktivním učením? Jak rozezná CTC (Connectionist Temporal Classification) opakovaná písmena? Např.: met vs meet Jak proporce rozdílu validační a trénovací chybou v rovnici 4.1 zachycuje míru přetrénovanosti? Popište Obraz 6.7. Jaký si z něj čtenář má odnést poznatek?	cs
but.jazyk	čeština (Czech)
but.program	Informační technologie	cs
but.result	práce byla úspěšně obhájena	cs
dc.contributor.advisor	Hradiš, Michal	cs
dc.contributor.author	Kohút, Jan	cs
dc.contributor.referee	Kolář, Martin	cs
dc.date.accessioned	2020-06-23T07:17:19Z
dc.date.available	2020-06-23T07:17:19Z
dc.date.created	2019	cs
dc.description.abstract	Cílem této práce je navrhnout metody aktivního učení a provést experimenty nad datovou sadou historických dokumentů. Pro experimenty využívám rozsáhlý a rozmanitý dataset IMPACT o více než jednom milionu řádků. Pomocí neuronových sítí provádím kontrolu vhodnosti řádků, tzn. čitelnosti a správnosti přepisů. Nejprve srovnávám architektury neuronových sítí, a to jak sítě čistě konvoluční, tak sítě obsahující obousměrnou rekurentní vrstvu LSTM. Dále se zabývám přístupy k učení neuronových sítí pomocí aktivního učení a samotnými metodami aktivního učení. Aktivní učení využívám zejména pro adaptaci neuronových sítí na jiné textové dokumenty, než na kterých byla původní síť učena. Aktivní učení tedy slouží k výběru vhodných adaptačních dat. Čistě konvoluční neuronové sítě dosahují úspěšnosti 98.6 %, rekurentní sítě pak 99.5 %. Chyba při adaptaci s využitím aktivního učení je o 26 % nižší než chyba při náhodném výběru dat.	cs
dc.description.abstract	The aim of this Master's thesis is to design methods of active learning and to experiment with datasets of historical documents.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.	en
dc.description.mark	A	cs
dc.identifier.citation	KOHÚT, J. Aktivní učení pro rozpoznávání textu [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2019.	cs
dc.identifier.other	122166	cs
dc.identifier.uri	http://hdl.handle.net/11012/180418
dc.language.iso	cs	cs
dc.publisher	Vysoké učení technické v Brně. Fakulta informačních technologií	cs
dc.rights	Standardní licenční smlouva - přístup k plnému textu bez omezení	cs
dc.subject	Aktivní učení	cs
dc.subject	rozpoznávání textu	cs
dc.subject	neuronové sítě	cs
dc.subject	konvoluční neuronové sítě	cs
dc.subject	rekurentní neuronové sítě	cs
dc.subject	dataset IMPACT	cs
dc.subject	Active learning	en
dc.subject	text recognition	en
dc.subject	neural networks	en
dc.subject	convolutional neural networks	en
dc.subject	recurrent neural networks	en
dc.subject	dataset IMPACT	en
dc.title	Aktivní učení pro rozpoznávání textu	cs
dc.title.alternative	Active Learning for OCR	en
dc.type	Text	cs
dc.type.driver	masterThesis	en
dc.type.evskp	diplomová práce	cs
dcterms.dateAccepted	2019-06-19	cs
dcterms.modified	2019-07-08-13:31:31	cs
eprints.affiliatedInstitution.faculty	Fakulta informačních technologií	cs
sync.item.dbid	122166	en
sync.item.dbtype	ZP	en
sync.item.insts	2021.11.22 22:23:31	en
sync.item.modts	2021.11.22 21:32:24	en
thesis.discipline	Inteligentní systémy	cs
thesis.grantor	Vysoké učení technické v Brně. Fakulta informačních technologií. Ústav počítačové grafiky a multimédií	cs
thesis.level	Inženýrský	cs
thesis.name	Ing.	cs

Aktivní učení pro rozpoznávání textu

Files

Original bundle

Collections