Sirvi Autor "Matiisen, Tambet" järgi

Nüüd näidatakse 1 - 6 6

Asymmetric Deep Multi-Task Learning
(Tartu Ülikool, 2024) Maharramov, Ali; Matiisen, Tambet; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Tehnoloogiainstituut
Recent developments make deep neural networks a valuable asset for autonomous driving. They can be deployed as an end-to-end system or part of more complex systems for specific tasks. If a system needs several tasks by neural networks, using multi-task learning (MTL) introduces few benefits compared to deploying several single-task learning (STL) models, such as better time and space complexity on deployment and potentially increased generalization on the backbone network. However, MTL often faces unique challenges. Many existing MTL datasets have limited labels or lack the required labels for specific tasks, and generating labels for these tasks leads to resource and time consumption for researchers. Training the model on an asymmetric labeled dataset, a dataset where labels for specific tasks are unavailable for a subset, can cause a biased gradient, reflecting an unbalance in the accuracy of tasks. In this thesis, asymmetric MTL were investigated and compared to symmetric MTL and STL methods.
DNA mutatsiooniliste signatuuride õppimine tehisnärvivõrkude abil
(2016) Tammeveski, Lauri; Zafra, Raul Vicente; Parts, Leopold; Matiisen, Tambet; Tampuu, Ardi
Kõik pahaloomulised vähkkasvajad on põhjustatud organismi rakkudes\n\rtoimuvate mutatsioonide poolt. On leitud, et need mutatsioonid\n\ron moodustatud spetsiifiliste mustrite ehk signatuuride kombinatsioonist,\n\rmille aluseks olevad protsessid on tihti teada. Seetõttu on nende\n\rsignatuuride õppimine andmetest väga tähtis — see võib anda paremat\n\rinformatsiooni vähkkasvajate mehhanismide kohta ja olla abiks\n\rvähi ennetamisel ja teraapial. Antud töö eesmärk on testida ja võrrelda\n\rerinevaid metoodikaid, et parandada mutatsiooniliste signatuuride\n\rleidmist. Me võrdlesime kolme uut meetodit — tehis-närvivõrgud\n\r(NN), mittenegatiivsed faktorvõrgud (RFN) ja teemade modelleerimine\n\r— praegu kasutatava mittenegatiivse maatriksi faktoriseerimisega\n\r(NMF). Me eksperimenteerisime meetoditega kolmel orgaanilisel ja kolmel\n\rsünteetilisel andmestikul ning mõõtsime rekonstrueerimise viga, tulemuse\n\rhõredust ja arvutusteks kulunud aega. Tulemused näitavad, et\n\rNMF annab väikseima veaga tulemuse kergematel andmestikel, kuid ka\n\rRFN-i tulemus on ligilähedane ning kõikidel teistel andmestikel saavutab\n\rsee parema tulemuse. NN esineb sama hästi kui RFN keerulisematel\n\randmestikel ning lisaks saavutab üleüldiselt kõige hõredamad tulemused.\n\rNMF-i eeliseks on stabiilsuse arvutamise funktsionaalsus, mis väga\n\rtäpselt suudab määrata õige signatuuride arvu. Tulevikus tuleb teha\n\redasist arendustööd, et sarnane võimekus ka RFN ja NN meetoditele\n\rlisada, mille järel oleks võimalik nende praktiline kasutamine mutatsiooniliste\n\rsignatuuride õppimisel.
Mobiilirakenduse loomine tehisnärvivõrgule
(2015) Vahtra, Rasmus; Matiisen, Tambet
Käesoleva töö raames valmis lahendus mobiilirakendusest, serveriliidesest ning tehisnärvivõrgust. Täpsemalt on seletatud projektis kasutatud tehisnärvivõrgu arhitektuuri ning ehitust, ühtlasi ka loodud lahenduse tööpõhimõtet. Samuti on välja toodud ka, et milleks selline lahendus üldse hea olla võiks.
Näotuvastus Fotis andmebaasi põhjal
(2015-03-03) Matiisen, Tambet
Näotuvastuseks treenitud tehisnärvivõrkude võrdlemine
(2016) Uibo, Zepp; Matiisen, Tambet
Selles töös uuriti kolme hiljuti avaldatud näotuvastuseks treenitud tehisnärvivõrku. Kõik need\n\rvõrgud on seni näidanud häid tulemusi kõrge kvaliteediga piltide identifitseerimist kontrollivates\n\rtestides. Huvi tekitas küsimus, kas need võrgud on võimelised samaväärseid tulemusi saavutama\n\rmadalama kvaliteediga arhiivipiltide peal. Loodi uus testandmestik Eesti Rahvusarhiivi piltidest ja\n\rvõrreldi, kui täpsed on võrgud tuvastama, kas kaks nägu kuuluvad samale või erinevatele\n\rinimestele. Parim korratava tulemusega närvivõrk saavutas uute andmete peal täpsuse 91.18%.\n\rTöö autor soovitab sama närvivõrguga Eesti Rahvusarhiivi andmete peal tööd jätkata.
Physical A*: Graph-Based Search Algorithm for Robot Navigation On-the-Go
(Tartu Ülikool, 2024) Shrestha, Anish; Matiisen, Tambet; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Tehnoloogiainstituut
Robot navigation is commonly viewed as a trajectory planning problem, relying on a preexisting map. However, the availability of a prior map can be problematic, especially in military or rescue scenarios. This thesis elaborates on the concept of a two-level planning and navigation algorithm called physical A* to address this problem, focusing typically in use cases where a prior map is not known. Physical A* is an A* graph traversal where the robot physically drives along the nodes of the graph. The graph is constructed on-the-go. A lower level planning component proposes multiple waypoints stored as graph nodes. A higher level planner, with a broader understanding of the geographical or spatial context computes the goal heuristic for these nodes. Based on the goal heuristic, the waypoint with least cost is selected to explore towards the goal. Physical A* mainly concentrates on exploring the waypoints that would lead the robot towards the goal in the most optimal form.