prikaz prve stranice dokumenta Otkrivanje stršećih vrijednosti u slikovnim podacima korištenjem metoda strojnog i dubokog učenja
No public access
master's thesis
Otkrivanje stršećih vrijednosti u slikovnim podacima korištenjem metoda strojnog i dubokog učenja
Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing, 2022. urn:nbn:hr:168:703256
Sušilović, Martina
University of Zagreb
Faculty of Electrical Engineering and Computing

Institutional repository: FER Repository

Cite this document

Sušilović, M. (2022). Otkrivanje stršećih vrijednosti u slikovnim podacima korištenjem metoda strojnog i dubokog učenja (Master's thesis). Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing. Retrieved from https://urn.nsk.hr/urn:nbn:hr:168:703256

Sušilović, Martina. "Otkrivanje stršećih vrijednosti u slikovnim podacima korištenjem metoda strojnog i dubokog učenja." Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2022. https://urn.nsk.hr/urn:nbn:hr:168:703256

Sušilović, Martina. "Otkrivanje stršećih vrijednosti u slikovnim podacima korištenjem metoda strojnog i dubokog učenja." Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2022. https://urn.nsk.hr/urn:nbn:hr:168:703256

Sušilović, M. (2022). 'Otkrivanje stršećih vrijednosti u slikovnim podacima korištenjem metoda strojnog i dubokog učenja', Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, accessed 03 November 2024, https://urn.nsk.hr/urn:nbn:hr:168:703256

Sušilović M. Otkrivanje stršećih vrijednosti u slikovnim podacima korištenjem metoda strojnog i dubokog učenja [Master's thesis]. Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing; 2022 [cited 2024 November 03] Available at: https://urn.nsk.hr/urn:nbn:hr:168:703256

M. Sušilović, "Otkrivanje stršećih vrijednosti u slikovnim podacima korištenjem metoda strojnog i dubokog učenja", Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, Zagreb, 2022. Available at: https://urn.nsk.hr/urn:nbn:hr:168:703256

Metadata
TitleOtkrivanje stršećih vrijednosti u slikovnim podacima korištenjem metoda strojnog i dubokog učenja
Title (english)Outlier Detection in Image Data Using Machine Learning and Deep Learning Methods
AuthorMartina Sušilović
MentorAlan Jović (mentor)
Committee memberAlan Jović (predsjednik povjerenstva)
Committee memberSiniša Šegvić (član povjerenstva)
Committee memberAnte Đerek (član povjerenstva)
GranterUniversity of Zagreb
Faculty of Electrical Engineering and Computing
Zagreb
Defense date and country2022-07-06, Croatia
Scientific / art field,
discipline and subdiscipline		TECHNICAL SCIENCES
Computing
Abstract
Stršeće vrijednosti su primjerci u skupu podataka koji po vrijednosti nekih značajki odstupaju od ostatka skupa. Otkrivanje i uklanjanje stršećih vrijednosti je važan korak u predobradi podataka, te su u tu svrhu razvijene brojne metode strojnog i dubokog učenja. Osobito je izazovan zadatak nenadzirano otkrivanje stršećih vrijednosti. U ovom su radu, na primjeru skupa podataka betonskih površina s oštećenjima, evaluirane neke od najčešće korištenih metoda otkrivanja anomalija u podacima: lokalni faktor stršećih vrijednosti (LOF), stroj s potpornim vektorima (SVM) te izolacijska šuma (IF). Osim toga, opisani su i najbolji rezultati dobiveni s dva duboka modela za otkivanje stršećih vrijednosti na temelju uspješnosti rekonstrukcije: konvolucijskim autoenkoderom i varijacijskim autoenkoderom. Najuspješnijim algoritmom na ovom problemu pokazao se LOF.
Abstract (english)
Outliers are data points whose features deviate significantly from the majority in a dataset. Outlier detection and removal is an important step in data preprocessing and many machine learning and deep learning approaches have been developed to solve this problem. Unsupervised anomaly detection is especially challenging. In this paper, a dataset containing images of concrete surfaces with cracks is used to evaluate some of the most popular machine learning algorithms for anomaly detection: local outlier factor (LOF), support vector machine (SVM) and isolation forest (IF). Additionaly, the best results obtaned from two deep learning reconstruction-based approaches (convolutional autoencoder and variational autoencoder) are described and compared to the results of traditional approaches. LOF was shown to be the most successful algorithm on this problem.
Keywords
Keywords (english)
Languagecroatian
URN:NBNurn:nbn:hr:168:703256
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 on2023-01-14 09:59:40