prikaz prve stranice dokumenta Klasifikacija slika tenzorskim metodama
  Download
PDF 2.72 MB
master's thesis
Klasifikacija slika tenzorskim metodama
Zagreb: University of Zagreb, Faculty of Science, 2023. urn:nbn:hr:217:450303
Jandrijević, Luka
University of Zagreb
Faculty of Science
Department of Mathematics

Institutional repository: Repository of the Faculty of Science

Cite this document

Jandrijević, L. (2023). Klasifikacija slika tenzorskim metodama (Master's thesis). Zagreb: University of Zagreb, Faculty of Science. Retrieved from https://urn.nsk.hr/urn:nbn:hr:217:450303

Jandrijević, Luka. "Klasifikacija slika tenzorskim metodama." Master's thesis, University of Zagreb, Faculty of Science, 2023. https://urn.nsk.hr/urn:nbn:hr:217:450303

Jandrijević, Luka. "Klasifikacija slika tenzorskim metodama." Master's thesis, University of Zagreb, Faculty of Science, 2023. https://urn.nsk.hr/urn:nbn:hr:217:450303

Jandrijević, L. (2023). 'Klasifikacija slika tenzorskim metodama', Master's thesis, University of Zagreb, Faculty of Science, accessed 23 December 2024, https://urn.nsk.hr/urn:nbn:hr:217:450303

Jandrijević L. Klasifikacija slika tenzorskim metodama [Master's thesis]. Zagreb: University of Zagreb, Faculty of Science; 2023 [cited 2024 December 23] Available at: https://urn.nsk.hr/urn:nbn:hr:217:450303

L. Jandrijević, "Klasifikacija slika tenzorskim metodama", Master's thesis, University of Zagreb, Faculty of Science, Zagreb, 2023. Available at: https://urn.nsk.hr/urn:nbn:hr:217:450303

Metadata
TitleKlasifikacija slika tenzorskim metodama
Title (english)Image classification using tensor methods
AuthorLuka Jandrijević
MentorZlatko Drmač (mentor)
Committee memberTina Bosner (predsjednik povjerenstva)
Committee memberMatko Ljulj (član povjerenstva)
Committee memberTomislav Pejković (član povjerenstva)
Committee memberGoran Muić (član povjerenstva)
GranterUniversity of Zagreb
Faculty of Science
(Department of Mathematics)
Zagreb
Defense date and country2023-09-28, Croatia
Scientific / art field,
discipline and subdiscipline		NATURAL SCIENCES
Mathematics
Abstract
U ovom radu su opisani pojmovi i operacije usko vezane uz multilinearnu algebru i objekte koje nazivamo tenzori. Opisane su osnovne operacije koje provodimo nad tenzorima te opisujemo matričnu dekompoziciju SVD te taj koncept proširujemo na tenzore. Zatim, promatramo još jednu tenzorsku dekompoziciju pod nazivom tensor train dekompozicija koja ne ovisi toliko o redu tenzora koliko HOSVD ovisi. Dekompozicija tenzora pomoću HOSVD-a i tensor train-a su također implementirane u ovom radu kako bi se njihov algoritam što bolje razumio. Oba algoritma zasnivana su na dokazima tvrdnji koje daju konstruktivan način njihove egzistencije. Pomoću tih algoritama možemo tenzore aproksimirati vrlo dobro. Samim time i zbog toga što slike možemo također reprezentirati pomoću tenzora, koristimo ta dva algoritma kako bi aproksimirali slike. Rješavamo problem klasifikacije rukom pisanih znamenaka koristeći ove dvije dekompozicije pri čemu su se tenzori pokazali izuzetno korisnim. Prvi način rješavanja problema klasifikacije znamenaka smo riješili pomoću HOSVD metode. Zatim, isti taj problem rješavamo pomoću tensor train dekompozicije. Oba riješenja pokazala su se efikasnima te su sve implementacije rađene u programskom jeziku Python. Ipak, pomoću HOSVD algoritma smo dobili malo veću preciznost nego s tensor train algoritmom. Također, biramo različite parametre kako bi dostigli različite točnosti. Bitno je vrlo pažljivo birati takve parametre kako bi dostigli što veću preciznost algoritma jer ponekad nije najbolji pristup birati što veće parametre kao što smo to vidjeli na primjeru klasifikacije uz pomoć HOSVD algoritma. Na kraju rada također možemo vidjeti koje znamenke su algoritmi krivo pogodili. Očekivano, neke jednostavnije znamenke imaju veću točnost pogađanja od drugih.
Abstract (english)
This paper describes concepts and operations closely related to multilinear algebra and objects known as tensors. It explains basic operations performed on tensors and extends the concept of matrix decomposition through SVD to tensors. Additionally, it explores another tensor decomposition method called tensor train decomposition, which is less dependent on tensor rank compared to HOSVD. Tensor decompositions using HOSVD and tensor train are implemented in this study to better understand their algorithms. Both algorithms are based on proofs that provide constructive ways of obtaining them. These algorithms are effective for approximating tensors, especially given that images can also be represented as tensors. Therefore, both methods are used to approximate images. The problem of classifying handwritten digits is addressed using these two tensor decompositions, and tensors have proven to be exceptionally useful in this context. The first approach to digit classification is solved using the HOSVD method. Subsequently, the same problem is tackled using tensor train decomposition. Both solutions are efficient, and all implementations are carried out in the Python programming language. However, the HOSVD algorithm yields slightly higher accuracy compared to the tensor train algorithm. Additionally, different parameters are chosen to achieve varying levels of accuracy. Careful parameter selection is essential for achieving high algorithm accuracy, as demonstrated in the digit classification example using the HOSVD algorithm. Finally, the paper presents the misclassified digits, where it is expected that simpler digits have higher accuracy in classification than others.
Keywords
Keywords (english)
Languagecroatian
URN:NBNurn:nbn:hr:217:450303
Study programmeTitle: Computer Science and Mathematics
Study programme type: university
Study level: graduate
Academic / professional title: sveučilišni magistar računarstva i matematike (sveučilišni magistar računarstva i matematike)
Type of resourceText
File originBorn digital
Access conditionsOpen access
Terms of useLicence In copyright icon
Created on2024-02-01 13:14:56