prikaz prve stranice dokumenta Prepoznavanje osoba temeljem uha primjenom dubokog učenja
  Download
PDF 2.63 MB
undergraduate thesis
Prepoznavanje osoba temeljem uha primjenom dubokog učenja
Rijeka: University of Rijeka, Faculty of Engineering, 2023. urn:nbn:hr:190:299195
Barjaktarić, Karlo
University of Rijeka
Faculty of Engineering

Institutional repository: Repository of the University of Rijeka, Faculty of Engineering

Cite this document

Barjaktarić, K. (2023). Prepoznavanje osoba temeljem uha primjenom dubokog učenja (Undergraduate thesis). Rijeka: University of Rijeka, Faculty of Engineering. Retrieved from https://urn.nsk.hr/urn:nbn:hr:190:299195

Barjaktarić, Karlo. "Prepoznavanje osoba temeljem uha primjenom dubokog učenja." Undergraduate thesis, University of Rijeka, Faculty of Engineering, 2023. https://urn.nsk.hr/urn:nbn:hr:190:299195

Barjaktarić, Karlo. "Prepoznavanje osoba temeljem uha primjenom dubokog učenja." Undergraduate thesis, University of Rijeka, Faculty of Engineering, 2023. https://urn.nsk.hr/urn:nbn:hr:190:299195

Barjaktarić, K. (2023). 'Prepoznavanje osoba temeljem uha primjenom dubokog učenja', Undergraduate thesis, University of Rijeka, Faculty of Engineering, accessed 02 May 2024, https://urn.nsk.hr/urn:nbn:hr:190:299195

Barjaktarić K. Prepoznavanje osoba temeljem uha primjenom dubokog učenja [Undergraduate thesis]. Rijeka: University of Rijeka, Faculty of Engineering; 2023 [cited 2024 May 02] Available at: https://urn.nsk.hr/urn:nbn:hr:190:299195

K. Barjaktarić, "Prepoznavanje osoba temeljem uha primjenom dubokog učenja", Undergraduate thesis, University of Rijeka, Faculty of Engineering, Rijeka, 2023. Available at: https://urn.nsk.hr/urn:nbn:hr:190:299195

Metadata
TitlePrepoznavanje osoba temeljem uha primjenom dubokog učenja
Title (english)Ear recognition using deep learning
AuthorKarlo Barjaktarić
MentorKristijan Lenac (mentor)
MentorDiego Sušanj (komentor)
Committee memberMiroslav Joler (predsjednik povjerenstva)
Committee memberKristijan Lenac (član povjerenstva)
Committee memberDiego Sušanj (član povjerenstva)
GranterUniversity of Rijeka
Faculty of Engineering
Rijeka
Defense date and country2023-09-12, Croatia
Scientific / art field,
discipline and subdiscipline		TECHNICAL SCIENCES
Computing
Artificial Intelligence
Abstract
Ovaj rad opisuje kako kreirati model koji će imati sposobnost točne klasifikacije kada mu se kao ulaz uputi fotografija uha subjekta čija je obilježja trebao naučio u trening fazi te su objašnjene prednosti ovakvog tipa podataka nad ostalim biometrijskim tipovima. Na samom početku, pokriveni su pojmovi duboko učenje i neuronska mreža koji su osnova za razumijevanje funkcioniranja treninga i validacije modela. Korišteni podaci potječu iz dva neovisna skupa podataka koji sadrže fotografije ljudskih uši, a koje su sistematski imenovane prema opisanim pravilima. Rad se dotiče predobrade tih podatka i potrebnih/proizvoljnih transformacija provedenim na njima prije nego su predane modelima. Korišteni pretrenirani modeli su ResNet-18 i VGG-16, a cjelokupni kod pisan je u PyTorchu, platformi otvorenog koda za strojno učenje. ResNet-18 ostvario je bolje rezultate na spomenutim skupovima podataka od VGG-16, a razlozi se kriju u njihovoj arhitekturi, parametrima i obilježjima samih skupova podataka.
Abstract (english)
This paper describes how to create a model that will be capable of accurate classification when it is given a photo of the subject's ear as input, the features of which should have been learned in the training phase, and the advantages of this type of data over other biometric types. At the very beginning, the concepts of deep learning and neural network are covered, which are the basis for understanding the functioning of model training and validation. The data come from two independent datasets containing photographs of human ears, which were systematically named according to the described rules. The paper concerns the preprocessing of data and the necessary/arbitrary transformations performed on them before they are submitted to the models. The pretrained models that are used are ResNet-18 and VGG-16. The entire code is written in PyTorch, an open-source platform for machine learning. ResNet-18 achieved better results on the mentioned datasets than VGG-16 and the reasons lie in their architecture, parameters and characteristics of the datasets themselves.
Keywords
Keywords (english)
Languagecroatian
URN:NBNurn:nbn:hr:190:299195
Study programmeTitle: Computer Engineering
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 conditionsOpen access
Terms of useLicence Attribution 4.0 International (CC BY 4.0) icon
Created on2023-09-12 16:29:27