prikaz prve stranice dokumenta Slabo nadzirana semantička segmentacija primjeraka primjenom suparničkog učenja
No public access
master's thesis
Slabo nadzirana semantička segmentacija primjeraka primjenom suparničkog učenja
Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing, 2019. urn:nbn:hr:168:259143
Blažić, Katarina
University of Zagreb
Faculty of Electrical Engineering and Computing

Institutional repository: FER Repository

Cite this document

Blažić, K. (2019). Slabo nadzirana semantička segmentacija primjeraka primjenom suparničkog učenja (Master's thesis). Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing. Retrieved from https://urn.nsk.hr/urn:nbn:hr:168:259143

Blažić, Katarina. "Slabo nadzirana semantička segmentacija primjeraka primjenom suparničkog učenja." Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2019. https://urn.nsk.hr/urn:nbn:hr:168:259143

Blažić, Katarina. "Slabo nadzirana semantička segmentacija primjeraka primjenom suparničkog učenja." Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2019. https://urn.nsk.hr/urn:nbn:hr:168:259143

Blažić, K. (2019). 'Slabo nadzirana semantička segmentacija primjeraka primjenom suparničkog učenja', Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, accessed 10 August 2024, https://urn.nsk.hr/urn:nbn:hr:168:259143

Blažić K. Slabo nadzirana semantička segmentacija primjeraka primjenom suparničkog učenja [Master's thesis]. Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing; 2019 [cited 2024 August 10] Available at: https://urn.nsk.hr/urn:nbn:hr:168:259143

K. Blažić, "Slabo nadzirana semantička segmentacija primjeraka primjenom suparničkog učenja", Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, Zagreb, 2019. Available at: https://urn.nsk.hr/urn:nbn:hr:168:259143

Metadata
TitleSlabo nadzirana semantička segmentacija primjeraka primjenom suparničkog učenja
Title (english)Weakly supervised instance segmentation by adversarial learning
AuthorKatarina Blažić
MentorSiniša Šegvić (mentor)
Committee memberSiniša Šegvić (predsjednik povjerenstva)
Committee memberZoran Kalafatić (član povjerenstva)
Committee memberŽeljka Mihajlović (član povjerenstva)
GranterUniversity of Zagreb
Faculty of Electrical Engineering and Computing
Zagreb
Defense date and country2019-07-15, Croatia
Scientific / art field,
discipline and subdiscipline		TECHNICAL SCIENCES
Computing
Abstract
Semantička segmentacija prirodnih scena je važan zadatak računalnog vida. Skup postupak pribavljanja oznaka na razini piksela potrebnih za nadzirani pristup semantičkoj segmentaciji je potaknuo razvoj slabo nadziranih pristupa. U ovom radu su opisani neki od slabo nadziranih pristupa za semantičku segmentaciju koji se baziraju na dubokom učenju kao i primjene suparničkog učenja za semantičku segmentaciju. U sklopu rada je implementiran model suparničkog učenja za slabo naziranu semantičku segmentaciju primjeraka zasnovan na pravokutnim okvirima. Generator koristi značajke naučenog Faster R-CNN detektora uz pomoć kojih gradi segmentacijske maske, a diskriminator pruža signale za učenje. Za učenje i validaciju modela su korišteni automobili iz Cityscapes skupa podataka te su prikazani dobiveni rezultati.
Abstract (english)
Semantic segmentation of natural scenes is an important task of computer vision. Due to expensive pixel-wise annotations required for fully supervised semantic segmentation various weakly supervised approaches have been proposed. In this thesis, several weakly supervised semantic segmentation approaches based on deep learning have been described as well as applications of adversarial learning to semantic segmentation. Adversarial learning model for object instance segmentation based on bounding boxes is implemented. Generator uses learned Faster R-CNN features and constructs a segmentation mask while discriminator provides learning signals. Model was trained and evaluated on cars form Cityscapes dataset and the results are shown.
Keywords
Keywords (english)
Languagecroatian
URN:NBNurn:nbn:hr:168:259143
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 on2020-01-07 16:50:41