Aplikace hlubokého učení v rozpoznávání obrazových dat mozku

Abstract

V posledních letech konvoluční neuronové sítě (CNN) se staly nejpopulárnějším výběrem pro problémy rozpoznávaní obrazů. CNN poskytuji framework pro reprezentační učení, které umožňuje zpracování vstupních dat v původním tvaru bez ručního vytvoření příznaků. Za prvé, cílem teto práce je teoretické studium a pochopení CNN. Za druhé, cílem je vyhodnocení a porovnání několika CNN použitých na klasifikací obrazů. Experimentální část obsahuje aplikaci CNN na problémech MNIST a CIFAR-10, a také dataset z oblasti mediciny stvořený z recurrence plots EEG signálů. Konkretně CNN jsou použité na klasifikaci EEG dat získaných od duševně zdravých lidi a od lidi s duševními choroby.

In recent years CNNs have became a most popular choice for image recognition problems. They provide a framework for representation learning, which allows for raw input processing without any manual feature engineering. The first goal of this thesis is a theoretical study and comprehension of CNNs. The second goal is evaluation and comparison of several CNNs applied to the image classification. Experimental part includes two benchmark problems, i.e. MNIST database and CIFAR-10, as well as medical dataset consisting of recurrence plots created from the EEG signals. In particular, CNNs are used to classify EEG data received from mentally healthy persons and persons having a mental illness.