Seznam

Téma:Odhadování entropie pro vysocedimenzionální data s konečnou přesností
Vedoucí:prof. Dr. Ing. Jan Kybic
Vypsáno jako:Diplomová práce,Bakalářská práce
Popis: Jednou z možností odhadování entropie mnohorozměrných dat (která
nalézá aplikace například při registraci obrazů) je
Kozačenko-Leoněnkovův (KL) odhad na základě vzdálenosti nejbližších
sousedů [1]. Ten ovšem selhává u kvantizovaných dat, která obsahují
několik identických položek. Analyzujte existující možnosti
rozšíření KL odhadu pro kvantizovaná data [1,2], vyzkoušejte metodu
založenou na integraci v původní (nekvantované) oblasti, případně na
základě teoretické analýzy navrhněte metodu vlastní. Pokuste se
zlepšit numerickou stability metody [2]. Všechny metody
implementujte a důkladně otestujte.

Výsledkem má být dobře dokumentovaná a funkční
implementace několika variant KL odhadu vhodných pro kvantovaná
data, jakož i dobře dokumentované a statisticky
vyhodnocené výsledky experimentálního porovnání. V případě úspěšné
realizace možnost publikace na některé mezinárodní konferenci,
eventuelně i v odborném časopise. Možnost pokračování ve formě
doktorského studia.
Literatura: 1. Jan Kybic. High-dimensional mutual information estimation for image registration. In ICIP'04: Proceedings of the 2004 IEEE International Conference on Image Processing. 2. Jan Kybic. High-dimensional entropy estimation for finite accuracy data: R-NN entropy estimator. In Nico Karssemeijer and Boudewijn Lelieveldt, editors, IPMI2007: Information Processing in Medical Imaging, 20th International Conference, pages 569-580, Berlin, Heidelberg, Germany, July 2007. Springer.
Vypsáno dne:13.05.2019