prikaz prve stranice dokumenta Prepoznavanje ručno pisanih znamenki korištenjem konvolucijskih neuronskih mreža
No public access
undergraduate thesis
Prepoznavanje ručno pisanih znamenki korištenjem konvolucijskih neuronskih mreža
Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing, 2022. urn:nbn:hr:168:537431
Lukenda, Ana
University of Zagreb
Faculty of Electrical Engineering and Computing

Institutional repository: FER Repository

Cite this document

Lukenda, A. (2022). Prepoznavanje ručno pisanih znamenki korištenjem konvolucijskih neuronskih mreža (Undergraduate thesis). Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing. Retrieved from https://urn.nsk.hr/urn:nbn:hr:168:537431

Lukenda, Ana. "Prepoznavanje ručno pisanih znamenki korištenjem konvolucijskih neuronskih mreža." Undergraduate thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2022. https://urn.nsk.hr/urn:nbn:hr:168:537431

Lukenda, Ana. "Prepoznavanje ručno pisanih znamenki korištenjem konvolucijskih neuronskih mreža." Undergraduate thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2022. https://urn.nsk.hr/urn:nbn:hr:168:537431

Lukenda, A. (2022). 'Prepoznavanje ručno pisanih znamenki korištenjem konvolucijskih neuronskih mreža', Undergraduate thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, accessed 28 December 2024, https://urn.nsk.hr/urn:nbn:hr:168:537431

Lukenda A. Prepoznavanje ručno pisanih znamenki korištenjem konvolucijskih neuronskih mreža [Undergraduate thesis]. Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing; 2022 [cited 2024 December 28] Available at: https://urn.nsk.hr/urn:nbn:hr:168:537431

A. Lukenda, "Prepoznavanje ručno pisanih znamenki korištenjem konvolucijskih neuronskih mreža", Undergraduate thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, Zagreb, 2022. Available at: https://urn.nsk.hr/urn:nbn:hr:168:537431

Metadata
TitlePrepoznavanje ručno pisanih znamenki korištenjem konvolucijskih neuronskih mreža
Title (english)Handwritten Digit Recognition using Convolutional Neural Networks
AuthorAna Lukenda
MentorVladimir Čeperić (mentor)
Committee memberVladimir Čeperić (predsjednik povjerenstva)
Committee memberJosip Šarić (član povjerenstva)
Committee memberZoran Medić (član povjerenstva)
GranterUniversity of Zagreb
Faculty of Electrical Engineering and Computing
Zagreb
Defense date and country2022-07-05, Croatia
Scientific / art field,
discipline and subdiscipline		TECHNICAL SCIENCES
Computing
Abstract
Prepoznavanje ručno pisanih znamenki jedan je od pionirskih problema računalnog vida. Za rješavanje problema korištene su razne varijacije klasifikatora, metode temeljene na izračunima udaljenosti, slojevite potpuno povezane neuronske mreže, ali prekretnicu predstavljaju Yann LeCun i njegovi suradnici koji su 1998. prikupili MNIST bazu podataka i na njoj istrenirali prvu konvolucijsku neuronsku mrežu naziva LeNet 1. Za konvolucijsku mrežu specifični su konvolucijski sloj u kojem se izdvajaju bitne značajke slike te sloj sažimanja koji doprinosi točnosti i smanjuje računalnu zahtjevnost mreže. LeNet mreže postižu dobre rezultate na neviđenim podacima uz prihvatljivu memorijsku opterećenost. U današnje vrijeme modeliranje konvolucijske mreže jednostavno je zbog široke dostupnosti jakih računala i raznih programskih biblioteka za modele dubokog učenja. Koristeći Python i biblioteku Keras okvira TensorFlow izgradila sam konvolucijsku mrežu koja se u kratkom vremenskom roku istrenira te prepoznaje nove primjere znamenki s velikom pouzdanošću.
Abstract (english)
Handwritten digit recognition is one of the pioneer problems in the field of computer vision. Many methods were used to solve this problem, various versions of linear classifiers, different distance classifiers, fully connected multy-layer networks, but the turning point happened in 1998. when Yann LeCun and his associates collected the MNIST database and used it to train the first ever convolutional neural network named LeNet 1. A convolutional network is made of two special layers: a convolutional layer that extracts the important features of the picture and a pooling layer that improves network's predicition skills and decreases network's computational complexity. LeNet networks achieve good results on unseen data with acceptable memory requirements. These days it is easy to build a convolutional neural network because of the availabilty of powerful computers and many deep learning programing libraries. Using Python and TensorFlow's Keras API I have created a convolutional network that needed a small amount of time to be trained and is quick and reliable in recognising a new digit example.
Keywords
Keywords (english)
Languagecroatian
URN:NBNurn:nbn:hr:168:537431
Study programmeTitle: Computing
Study programme type: university
Study level: undergraduate
Academic / professional title: sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva (sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva)
Type of resourceText
File originBorn digital
Access conditionsClosed access
Terms of useLicence In copyright icon
Public note
Created on2023-01-14 21:01:32