prikaz prve stranice dokumenta Gusta detekcija anomalija generativnim modelima
Rad nije dostupan
diplomski rad
Gusta detekcija anomalija generativnim modelima
2023. urn:nbn:hr:168:143902
Delić, Anja
Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva

Citirajte ovaj rad

Delić, A. (2023). Gusta detekcija anomalija generativnim modelima (Diplomski rad). Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:168:143902

Delić, Anja. "Gusta detekcija anomalija generativnim modelima." Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2023. https://urn.nsk.hr/urn:nbn:hr:168:143902

Delić, Anja. "Gusta detekcija anomalija generativnim modelima." Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2023. https://urn.nsk.hr/urn:nbn:hr:168:143902

Delić, A. (2023). 'Gusta detekcija anomalija generativnim modelima', Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, citirano: 09.05.2024., https://urn.nsk.hr/urn:nbn:hr:168:143902

Delić A. Gusta detekcija anomalija generativnim modelima [Diplomski rad]. Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva; 2023 [pristupljeno 09.05.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:143902

A. Delić, "Gusta detekcija anomalija generativnim modelima", Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, Zagreb, 2023. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:143902

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:168:143902
Prijavite se u repozitorij kako biste mogli spremiti objekt u svoju listu.
Podaci o radu
NaslovGusta detekcija anomalija generativnim modelima
Naslov (engleski)Dense anomaly detection with generative models
AutorAnja Delić
MentorSiniša Šegvić (mentor)
Član povjerenstvaSiniša Šegvić (predsjednik povjerenstva)
Član povjerenstvaZoran Kalafatić (član povjerenstva)
Član povjerenstvaLeonardo Jelenković (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva
Zagreb
Datum i država obrane2023-07-10, Hrvatska
Sažetak
Standardni diskriminativni modeli za semantičku segmentaciju osjetljivi su na pojavu anomalija u ispitnim slikama. Navedeni problem rješavamo detekcijom anomalija razredom uvjetovanim normalizirajućim tokovima. Predlažemo mjere anomalnosti temeljene na teoriji informacije s probabilističkom interpretacijom te ih primjenjujemo na predikcije na razini piksela i maski. Predložena hibridna metoda postiže kompetitivne rezultate na standardnim testnim skupovima slika i poboljšanje u odnosu na usporedive diskriminativne metode za gustu detekciju anomalija.
Sažetak (engleski)
Standard discriminative models for semantic segmentation are sensitive to the presence of anomalies in test images. We address this issue by detecting anomalies using class-conditional normalizing flows. We define anomaly scores based on information theory with probabilistic interpretation and apply them to pixel-level and mask-level predictions. The proposed hybrid method achieves competitive results on standard benchmarks and improvement upon comparable discriminative dense anomaly detection methods.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:168:143902
Studijski programNaziv: Računarstvo
Vrsta studija: sveučilišni
Stupanj studija: diplomski
Akademski / stručni naziv: magistar/magistra inženjer/inženjerka računarstva (mag.ing.comp.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaZatvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Javna napomena
Datum i vrijeme pohrane2023-10-11 08:42:38