prikaz prve stranice dokumenta Modeli dubokog učenja za razlikovanje između umjetničkih slika i fotografija
  Preuzmi
PDF 1.37 MB
diplomski rad
Modeli dubokog učenja za razlikovanje između umjetničkih slika i fotografija
2025. urn:nbn:hr:168:716902
Stilinović, Ivana
Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva

Citirajte ovaj rad

Stilinović, I. (2025). Modeli dubokog učenja za razlikovanje između umjetničkih slika i fotografija (Diplomski rad). Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:168:716902

Stilinović, Ivana. "Modeli dubokog učenja za razlikovanje između umjetničkih slika i fotografija." Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2025. https://urn.nsk.hr/urn:nbn:hr:168:716902

Stilinović, Ivana. "Modeli dubokog učenja za razlikovanje između umjetničkih slika i fotografija." Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2025. https://urn.nsk.hr/urn:nbn:hr:168:716902

Stilinović, I. (2025). 'Modeli dubokog učenja za razlikovanje između umjetničkih slika i fotografija', Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, citirano: 20.03.2025., https://urn.nsk.hr/urn:nbn:hr:168:716902

Stilinović I. Modeli dubokog učenja za razlikovanje između umjetničkih slika i fotografija [Diplomski rad]. Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva; 2025 [pristupljeno 20.03.2025.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:716902

I. Stilinović, "Modeli dubokog učenja za razlikovanje između umjetničkih slika i fotografija", Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, Zagreb, 2025. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:716902

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:168:716902
Prijavite se u repozitorij kako biste mogli spremiti objekt u svoju listu.
Podaci o radu
NaslovModeli dubokog učenja za razlikovanje između umjetničkih slika i fotografija
Naslov (engleski)Deep learning models for distinguishing between paintings and photographs
AutorIvana Stilinović
MentorAlan Jović (mentor)
Član povjerenstvaAlan Jović (predsjednik povjerenstva)
Član povjerenstvaŽeljka Mihajlović (član povjerenstva)
Član povjerenstvaNikolina Frid (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva
Zagreb
Datum i država obrane2025-02-27, Hrvatska
Sažetak
Ovaj rad istražuje primjenu modela dubokog učenja za razlikovanje umjetničkih slika i fotografija. Korišteni su unaprijed naučeni modeli konvolucijskih neuronskih mreža, uključujući VGG16, ResNet50 i EfficientNetB0, s ciljem ispitivanja njihove učinkovitosti u binarnoj klasifikaciji. Također je analiziran mehanizam pažnje CBAM kako bi se procijenio njegov utjecaj na performance modela. Eksperimentalni rezultati pokazali su da je VGG16 postigao najbolje rezultate (točnost 96,5%, F1-mjera 96,59%), dok su složeniji modeli, poput ResNet50 i EfficientNetB0, imali poteškoće s generalizacijom. Mehanizam pažnje nije poboljšao klasifikaciju, već je povećao računalne zahtjeve. Zaključeno je da bi dodatna optimizacija hiperparametara, povećanje skupa podataka te istraživanje alternativnih arhitektura, poput Vision Transformera, moglo doprinijeti boljim rezultatima u ovom području.
Sažetak (engleski)
This thesis investigates the application of deep learning models to distinguish between art paintings and photographs. Pre-trained CNN models, including VGG16, ResNet50 and EfficientNetB0, were used to test their performance of binary classification. The CBAM attention mechanism was also analyzed to assess its impact on model performance. Experimental results showed that VGG16 achieved the best results (accuracy 96.5%, F1-score 96.59%), while more complex models, such as ResNet50 and EfficientNetB0, had difficulties with generalization. The attention mechanism did not significanlty improve the classification, but increased the computational requirements. It was concluded that additional optimization of hyperparameters, increase of dataset, and research of alternative architectures, such as Vision Transformers, can contribute to better results in this field.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:168:716902
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 pristupaOtvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Javna napomena
Datum i vrijeme pohrane2025-03-12 11:50:22