Warning message

Nemate dozvolu za prikaz ovog resursa!
prikaz prve stranice dokumenta Utjecaj skupa za učenje na kvalitetu semantičke segmentacije
Rad nije dostupan
diplomski rad
Utjecaj skupa za učenje na kvalitetu semantičke segmentacije
Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2016. urn:nbn:hr:168:035867
Munđer, Nikola
Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva

Citirajte ovaj rad

Munđer, N. (2016). Utjecaj skupa za učenje na kvalitetu semantičke segmentacije (Diplomski rad). Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:168:035867

Munđer, Nikola. "Utjecaj skupa za učenje na kvalitetu semantičke segmentacije." Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2016. https://urn.nsk.hr/urn:nbn:hr:168:035867

Munđer, Nikola. "Utjecaj skupa za učenje na kvalitetu semantičke segmentacije." Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2016. https://urn.nsk.hr/urn:nbn:hr:168:035867

Munđer, N. (2016). 'Utjecaj skupa za učenje na kvalitetu semantičke segmentacije', Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, citirano: 18.11.2024., https://urn.nsk.hr/urn:nbn:hr:168:035867

Munđer N. Utjecaj skupa za učenje na kvalitetu semantičke segmentacije [Diplomski rad]. Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva; 2016 [pristupljeno 18.11.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:035867

N. Munđer, "Utjecaj skupa za učenje na kvalitetu semantičke segmentacije", Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, Zagreb, 2016. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:035867

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:168:035867
Prijavite se u repozitorij kako biste mogli spremiti objekt u svoju listu.
Podaci o radu
NaslovUtjecaj skupa za učenje na kvalitetu semantičke segmentacije
Naslov (engleski)Influence of the training data to the quality of the semantic segmentation
AutorNikola Munđer
MentorSiniša Šegvić (mentor)
Član povjerenstvaSiniša Šegvić (predsjednik povjerenstva)
Član povjerenstvaZoran Kalafatić (član povjerenstva)
Član povjerenstvaMarko Čupić (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva
Zagreb
Datum i država obrane2016-03-03, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Računarstvo
Sažetak
Za semantičku segmentaciju prirodnih scena moguć je pristup korištenja konvolucijskih neuronskih mreža. Mreža koristi skupove za učenje u kojem se nalaze semantičke oznake koje su ručno označene. Na kvalitetu ovakve izvedbe automatizirane semantičke segmentacije utječu skupovi za učenje. Sustav pokazuje bolje rezultate učenjem na većem skupu podataka, pa se kao ideja za povećanje skupa za učenje nameće njegovo umjetno povećanje ili izmjena. Ovaj rad sadrži veći broj mjerenja koji ispituje utjecaj veličine skupa za učenje, utjecaj geometrijskih transformacija koje umjetno povećavaju skup i binarnu klasifikaciju. Rezultati su pokazali da je umjetno povećanje skupa izvedivo i da pozitivno utječe na točnost. Binarna klasifikacija je pokazala vrlo dobre rezultate, ali je očito stvorila problem klasificiranja samo jednog semantičkog razreda. Podaci koji su korišteni pri mjerenju su izdvojeni iz skupa KITTI koji je naveden u literaturi.
Sažetak (engleski)
Semantic segmentation of natural scenes can be implemented using convolutional neural networks. The network uses a dataset for learning and contains semantic labels which are manually labelled. The quality of the performance for automated semantic segmentation is affected with datasets for learning. The system shows better results by learning on a larger dataset, so as a result, there is idea to artificially increase the dataset for learning or modificate it. This thesis contains a larger number of measurements which examines the impact of the size of a dataset for learning, the impact of geometric transformations that artificially increase the collection and binary classification. The results showed that the artificially increase of the dataset is realizable and has positive influence on the accuracy. Binary classification showed very good results, but is obviously created a problem of classifying a single semantic class. The data used in the measurement is obtained from the KITTI dataset of pictures and is listed in the literature.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:168:035867
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
RepozitorijRepozitorij FER-a
Datum i vrijeme pohrane2018-02-06 10:50:50