prikaz prve stranice dokumenta Semantička segmentacija kretanja uporabom konvolucijskih neuronskih mreža
  Download
PDF 2.45 MB
master's thesis
Semantička segmentacija kretanja uporabom konvolucijskih neuronskih mreža
Split: University of Split, Faculty of Maritime Studies, 2020. urn:nbn:hr:164:132525
Latinčić, Ante
University of Split
Faculty of Maritime Studies
Department of nautical studies

Institutional repository: Repository - Faculty of Maritime Studies - Split

Cite this document

Latinčić, A. (2020). Semantička segmentacija kretanja uporabom konvolucijskih neuronskih mreža (Master's thesis). Split: University of Split, Faculty of Maritime Studies. Retrieved from https://urn.nsk.hr/urn:nbn:hr:164:132525

Latinčić, Ante. "Semantička segmentacija kretanja uporabom konvolucijskih neuronskih mreža." Master's thesis, University of Split, Faculty of Maritime Studies, 2020. https://urn.nsk.hr/urn:nbn:hr:164:132525

Latinčić, Ante. "Semantička segmentacija kretanja uporabom konvolucijskih neuronskih mreža." Master's thesis, University of Split, Faculty of Maritime Studies, 2020. https://urn.nsk.hr/urn:nbn:hr:164:132525

Latinčić, A. (2020). 'Semantička segmentacija kretanja uporabom konvolucijskih neuronskih mreža', Master's thesis, University of Split, Faculty of Maritime Studies, accessed 30 August 2024, https://urn.nsk.hr/urn:nbn:hr:164:132525

Latinčić A. Semantička segmentacija kretanja uporabom konvolucijskih neuronskih mreža [Master's thesis]. Split: University of Split, Faculty of Maritime Studies; 2020 [cited 2024 August 30] Available at: https://urn.nsk.hr/urn:nbn:hr:164:132525

A. Latinčić, "Semantička segmentacija kretanja uporabom konvolucijskih neuronskih mreža", Master's thesis, University of Split, Faculty of Maritime Studies, Split, 2020. Available at: https://urn.nsk.hr/urn:nbn:hr:164:132525

Metadata
TitleSemantička segmentacija kretanja uporabom konvolucijskih neuronskih mreža
AuthorAnte Latinčić
MentorIgor Vujović (mentor)
Committee memberPetar Matić (predsjednik povjerenstva)
Committee memberJoško Šoda (član povjerenstva)
Committee memberMiro Petković (član povjerenstva)
GranterUniversity of Split
Faculty of Maritime Studies
(Department of nautical studies)
Split
Defense date and country2020-09-29, Croatia
Scientific / art field,
discipline and subdiscipline		TECHNICAL SCIENCES
Traffic and Transport Technology
Maritime and River Traffic
Abstract
Cilj ovog rada bio je detaljnije objasniti što je semantička segmentacija i detekcija objekata, te objasniti to na primjeru. Također je čitatelju približen koncept dubokog učenja sa nekim njegovim podvrstama i principima na kojima se zasniva njihov rad. U teorijskom dijelu može se vidjeti kako duboko učenje, semantička segmentacija i detekcija objekata pronalaze jako široko područje primjene u današnjem svijetu. Jako puno sustava koji koriste umjetnu inteligenciju zasnivaju svoj rad na nekoj vrsti dubokog učenja. U praktičnom dijelu pokazana su dva primjera semantičke segmentacije, te jedan primjer detekcije objekta. U prvom primjeru semantičke segmentacije korišten je CamVidDataset koji sadržava slike iz prometa. Drugi primjer koristi ADE20K dataset, odnosno jednu mapu iz tog dataseta koja je korištena za semantičku segmentaciju prirodne okoline. Cilj je bio kreirati neuronsku mrežu koja će razlikovati kopno, more i nebo. Praktični dio za detekciju objekata pokazuje primjer detekcije prometnog znaka STOP.
Abstract (english)
The main goal of this thesis was to thoroughly explain concept of semantic segmentation and object detection and show that on example. The concept of deep learning and some of his subgroups are explained as well. Theoretical part of thesis shows that semantic segmentation, object detection and deep learning are widely used nowadays. Big number of AI (Artificial Intelligence) systems are based on some sort of deep learning. Practical part of thesis shows two examples of semantic segmentation and one example of object detection. CamVidDataset was used in the first example of semantic segmentation. CamVidDataset contains images of traffic scenes. Other example uses the ADE20K dataset, that is, one folder from that dataset that was used for semantic segmentation of the natural scenes. The goal was to create a neural network that would distinguish land, sea, and sky. The practical part for object detection shows an example of detection of the sign STOP.
Keywords
Keywords (english)
Languagecroatian
URN:NBNurn:nbn:hr:164:132525
Study programmeTitle: Nautical Studies
Study programme type: university
Study level: graduate
Academic / professional title: magistar/magistra inženjer/inženjerka nautike (magistar/magistra inženjer/inženjerka nautike)
Type of resourceText
File originBorn digital
Access conditionsOpen access
Terms of useLicence In copyright icon
Created on2021-01-07 08:22:08