but.committee	doc. Ing. František Zbořil, CSc. (předseda) prof. RNDr. Alexandr Meduna, CSc. (místopředseda) Ing. Michal Bidlo, Ph.D. (člen) Ing. František Grézl, Ph.D. (člen) doc. Ing. Radomil Matoušek, Ph.D. (člen) Dr. Ing. Petr Peringer (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 B. Otázky u obhajoby: V práci uvádíte (strana 37), že u některých znaků při rozpoznávání dochází k záměně nebo ke spojení. Nebylo by v takových případech možné využít znalosti o pravděpodobných slovech v textu a "vylepšit" tak rozpoznávání? Na základě Vašich výsledků úspěšnosti při rozpoznávání znaků (u=89%), lze odhadnout úspěšnost rozpoznání celých slov? (Je to prosté u^n, kde n je počet znaků, nebo je to jinak?)	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	Kišš, Martin	cs
dc.contributor.referee	Zemčík, Pavel	cs
dc.date.accessioned	2019-04-03T22:25:45Z
dc.date.available	2019-04-03T22:25:45Z
dc.date.created	2018	cs
dc.description.abstract	Cílem této práce je vytvořit nástroj pro automatický přepis textu historických dokumentů. Práce je zaměřena především na rozpoznávání textů pocházejících z období novověku psané písmem zvané Fraktura. Problém je řešen pomocí nově navržených rekurentních konvolučních neuronových sítí a také pomocí sítě zvané Spatial Transformer Network. Součástí řešení je také implementovaný generátor umělých historických textů. Pomocí tohoto generátoru je vytvořena umělá datová sada, na níž je natrénována konvoluční neuronová síť pro rozpoznávání řádků. Tato síť je následně otestována na reálných historických řádcích textu, na kterých natrénovaná sít dosahuje úspešnosti až 89.0 % znakové přesnosti. Přínosem této práce je především nově navržená neuronová síť pro rozpoznávání řádků textu a implementovaný generátor umělých historických textů, s jehož pomocí je možné natrénovat neuronovou síť tak, aby zvládala rozpoznávat reálné historické řádky textu.	cs
dc.description.abstract	The aim of this work is to create a tool for automatic transcription of historical documents. The work is mainly focused on the recognition of texts from the period of modern times written using font Fraktur. The problem is solved with a newly designed recurrent convolutional neural networks and a Spatial Transformer Network. Part of the solution is also an implemented generator of artificial historical texts. Using this generator, an artificial data set is created on which the convolutional neural network for line recognition is trained. This network is then tested on real historical lines of text on which the network achieves up to 89.0 % of character accuracy. The contribution of this work is primarily the newly designed neural network for text line recognition and the implemented artificial text generator, with which it is possible to train the neural network to recognize real historical lines of text.	en
dc.description.mark	B	cs
dc.identifier.citation	KIŠŠ, M. Rozpoznávání historických textů pomocí hlubokých neuronových sítí [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2018.	cs
dc.identifier.other	114758	cs
dc.identifier.uri	http://hdl.handle.net/11012/84895
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	Přepis textu	cs
dc.subject	OCR	cs
dc.subject	historický text	cs
dc.subject	rekurentní neuronové sítě	cs
dc.subject	RNN	cs
dc.subject	Spatial Transformer Network	cs
dc.subject	STN	cs
dc.subject	generátor umělé historické datové sady	cs
dc.subject	Text recognition	en
dc.subject	OCR	en
dc.subject	historical text	en
dc.subject	recurrent neural networks	en
dc.subject	RNN	en
dc.subject	Spatial Transformer Network	en
dc.subject	STN	en
dc.subject	artificial historical dataset generator	en
dc.title	Rozpoznávání historických textů pomocí hlubokých neuronových sítí	cs
dc.title.alternative	Convolutional Networks for Historic Text Recognition	en
dc.type	Text	cs
dc.type.driver	masterThesis	en
dc.type.evskp	diplomová práce	cs
dcterms.dateAccepted	2018-06-18	cs
dcterms.modified	2020-05-10-16:13:21	cs
eprints.affiliatedInstitution.faculty	Fakulta informačních technologií	cs
sync.item.dbid	114758	en
sync.item.dbtype	ZP	en
sync.item.insts	2021.11.12 09:07:29	en
sync.item.modts	2021.11.12 08:36:07	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

Rozpoznávání historických textů pomocí hlubokých neuronových sítí

Files

Original bundle

Collections