prikaz prve stranice dokumenta Automatska anotacija skupa podataka semantičke segmentacije metodama polu nadziranog učenja
No public access
master's thesis
Automatska anotacija skupa podataka semantičke segmentacije metodama polu nadziranog učenja
Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing, 2023. urn:nbn:hr:168:433798
Slaviček, Petar
University of Zagreb
Faculty of Electrical Engineering and Computing

Institutional repository: FER Repository

Cite this document

Slaviček, P. (2023). Automatska anotacija skupa podataka semantičke segmentacije metodama polu nadziranog učenja (Master's thesis). Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing. Retrieved from https://urn.nsk.hr/urn:nbn:hr:168:433798

Slaviček, Petar. "Automatska anotacija skupa podataka semantičke segmentacije metodama polu nadziranog učenja." Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2023. https://urn.nsk.hr/urn:nbn:hr:168:433798

Slaviček, Petar. "Automatska anotacija skupa podataka semantičke segmentacije metodama polu nadziranog učenja." Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2023. https://urn.nsk.hr/urn:nbn:hr:168:433798

Slaviček, P. (2023). 'Automatska anotacija skupa podataka semantičke segmentacije metodama polu nadziranog učenja', Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, accessed 25 November 2024, https://urn.nsk.hr/urn:nbn:hr:168:433798

Slaviček P. Automatska anotacija skupa podataka semantičke segmentacije metodama polu nadziranog učenja [Master's thesis]. Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing; 2023 [cited 2024 November 25] Available at: https://urn.nsk.hr/urn:nbn:hr:168:433798

P. Slaviček, "Automatska anotacija skupa podataka semantičke segmentacije metodama polu nadziranog učenja", Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, Zagreb, 2023. Available at: https://urn.nsk.hr/urn:nbn:hr:168:433798

Metadata
TitleAutomatska anotacija skupa podataka semantičke segmentacije metodama polu nadziranog učenja
Title (english)Automatic annotation of data set for semantic segmentation using semi-supervised learning methods
AuthorPetar Slaviček
MentorZdenko Kovačić (mentor)
Committee memberZdenko Kovačić (član povjerenstva)
Committee memberGoran Vasiljević (član povjerenstva)
Committee memberDean Martinović (član povjerenstva)
GranterUniversity of Zagreb
Faculty of Electrical Engineering and Computing
Zagreb
Defense date and country2023-06-29, Croatia
Abstract
U ovom radu istražuje se problem semantičke segmentacije trsa u vinogradima s ciljem generiranja skupa podataka uz minimalno ljudsko anotiranje. Korištenjem VineSet skupa podataka, istrenirana je YOLOv5 detekcija trsa, koja se zatim iskoristila za generiranje skupa podataka rezanjem trsova iz slika. Izrezani trsovi su potom semantički segmentirani pomoću metode polunadziranog učenja SSL_ELN. Na generiranom skupu podataka provedena je evaluacija s nizom modela semantičke segmentacije i enkodera kako bi se odredio najprikladniji model za primjenu na mobilnom robotu u vinogradima. Rezultati pokazuju da je PSP model sa mobilenet_v2 enkoderom najbolji kompromis između točnosti i brzine predikcije te se čini najpogodniji za uporabu u ovoj specifičnoj primjeni.
Abstract (english)
In this work, we investigate the problem of semantic segmentation of grapevines in vineyards with the aim of generating a dataset with minimal human annotation. Using the VineSet dataset, YOLOv5 vine detection was trained, which was then used to generate a dataset by cropping vines from images. The cropped vines were then semantically segmented using the SSL_ELN semi-supervised learning method. Evaluation was conducted on the generated dataset with a series of semantic segmentation models and encoders to determine the most suitable model for application on a mobile robot in vineyards. The results show that the PSP model with the mobilenet_v2 encoder is the best compromise between accuracy and prediction speed, making it the most suitable for use in this specific application.
Keywords
Keywords (english)
Languagecroatian
URN:NBNurn:nbn:hr:168:433798
Study programmeTitle: Computing
Study programme type: university
Study level: graduate
Academic / professional title: magistar/magistra inženjer/inženjerka računarstva (magistar/magistra inženjer/inženjerka računarstva)
Type of resourceText
File originBorn digital
Access conditionsClosed access
Terms of useLicence In copyright icon
Public note
Created on2023-10-11 10:27:33