prikaz prve stranice dokumenta Vizualizacija mapa razrednih aktivacija modela za klasifikaciju slika
Rad nije dostupan
završni rad
Vizualizacija mapa razrednih aktivacija modela za klasifikaciju slika
2019. urn:nbn:hr:168:969590
Smetko, Marijan
Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva

Citirajte ovaj rad

Smetko, M. (2019). Vizualizacija mapa razrednih aktivacija modela za klasifikaciju slika (Završni rad). Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:168:969590

Smetko, Marijan. "Vizualizacija mapa razrednih aktivacija modela za klasifikaciju slika." Završni rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2019. https://urn.nsk.hr/urn:nbn:hr:168:969590

Smetko, Marijan. "Vizualizacija mapa razrednih aktivacija modela za klasifikaciju slika." Završni rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2019. https://urn.nsk.hr/urn:nbn:hr:168:969590

Smetko, M. (2019). 'Vizualizacija mapa razrednih aktivacija modela za klasifikaciju slika', Završni rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, citirano: 16.04.2024., https://urn.nsk.hr/urn:nbn:hr:168:969590

Smetko M. Vizualizacija mapa razrednih aktivacija modela za klasifikaciju slika [Završni rad]. Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva; 2019 [pristupljeno 16.04.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:969590

M. Smetko, "Vizualizacija mapa razrednih aktivacija modela za klasifikaciju slika", Završni rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, Zagreb, 2019. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:969590

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:168:969590
Prijavite se u repozitorij kako biste mogli spremiti objekt u svoju listu.
Podaci o radu
NaslovVizualizacija mapa razrednih aktivacija modela za klasifikaciju slika
Naslov (engleski)Visualization of Class Activation Maps for Image Classification
AutorMarijan Smetko
MentorSiniša Šegvić (mentor)
Član povjerenstvaSiniša Šegvić (predsjednik povjerenstva)
Član povjerenstvaMarin Oršić (član povjerenstva)
Član povjerenstvaPetra Bevandić (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva
Zagreb
Datum i država obrane2019-07-12, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Računarstvo
Sažetak
Ovaj završni rad se fokusirao na konvolucijske neuronske mreže kao klasifikatore slika u nizu eksperimenata na dva različita skupa podataka. Nakon kratkog uvoda u područje dubokog učenja, dan je kratki pregled najboljih praksi. Odabran je predtrenirani rezidualni model ResNet50, u kombinaciji sa Adam optimizatorom. Model je treniran za klasifikaciju u odgovarajućem broju epoha. Rezultati pokazuju da model predviđa točnu vrstu gljive, te da može klasificirati općenite objekte sa preko 97%-postotnom točnosti u najbolja tri pokušaja. Kasnije, dokazano je da prevelika sličnost različitih vrsta gljiva usporava daljnje učenje i porast točnosti. Ovaj tip problema nije bio primjećen u Pascal VOC skupu podataka. Tijekom učenja klasifikacije objekata, mreža je implicitno naučila i a) lokalizirati same objekte na slici i b) lokalizirati posebne značajke koje razlikuju jedan razred od drugog. Demonstracija najlošije rangiranih pozitiva i najbolje rangiranih negativa pokazala je da mreža ima problema sa višeznačnim razredima, no generalizira dobro i može ispraviti pogrešno označene podatke.
Sažetak (engleski)
This thesis focused on convolutional neural networks as image classifiers by doing a series of experiments on two different datasets. After a brief introduction to deep learning discipline, a short overview of the best practices was given. A pretrained model with residual connections, ResNet50, was selected, in combination with Adam optimizer. It was trained for classification in appropriate number of epochs. It was shown it could guess a correct fungi species, and it classifies general objects with 97% top three accuracy. Later, if was shown that over similarity of fungi species inhibits further learning of the network. This type of problems is not found in Pascal VOC dataset. While learning the classification of the objects, the network implicitly learned how to a) localize objects themselves and b) how to localize specific features that distinguish one class from another. It’s been demonstrated with lowest rated positives and highest rated negatives of the Pascal VOC validation dataset that the network has problems with ambiguous classes but generalizes well and can correct mislabeled data.
Ključne riječi
Ključne riječi (engleski)
Jezikengleski
URN:NBNurn:nbn:hr:168:969590
Studijski programNaziv: Računarstvo
Vrsta studija: sveučilišni
Stupanj studija: preddiplomski
Akademski / stručni naziv: sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva (univ.bacc.ing.comp.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaZatvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Javna napomena
Datum i vrijeme pohrane2020-01-07 22:04:06