prikaz prve stranice dokumenta Semantička segmentacija slika primjenom dubokog učenja
Rad nije dostupan
diplomski rad
Semantička segmentacija slika primjenom dubokog učenja
Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2024. urn:nbn:hr:168:765015
Damjanić, Marko
Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva

Institucijski repozitorij: Repozitorij FER-a

Citirajte ovaj rad

Damjanić, M. (2024). Semantička segmentacija slika primjenom dubokog učenja (Diplomski rad). Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:168:765015

Damjanić, Marko. "Semantička segmentacija slika primjenom dubokog učenja." Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2024. https://urn.nsk.hr/urn:nbn:hr:168:765015

Damjanić, Marko. "Semantička segmentacija slika primjenom dubokog učenja." Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2024. https://urn.nsk.hr/urn:nbn:hr:168:765015

Damjanić, M. (2024). 'Semantička segmentacija slika primjenom dubokog učenja', Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, citirano: 25.11.2024., https://urn.nsk.hr/urn:nbn:hr:168:765015

Damjanić M. Semantička segmentacija slika primjenom dubokog učenja [Diplomski rad]. Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva; 2024 [pristupljeno 25.11.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:765015

M. Damjanić, "Semantička segmentacija slika primjenom dubokog učenja", Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, Zagreb, 2024. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:765015

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:168:765015
Podaci o radu
NaslovSemantička segmentacija slika primjenom dubokog učenja
Naslov (engleski)Semantic segmentation of images using deep learning
AutorMarko Damjanić
MentorTomislav Hrkać (mentor)
Član povjerenstvaTomislav Hrkać (predsjednik povjerenstva)
Član povjerenstvaSiniša Šegvić (član povjerenstva)
Član povjerenstvaAlan Jović (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva
Zagreb
Datum i država obrane2024-07-11, Hrvatska
Sažetak
Ovaj rad evaluira tri modela za semantičku segmentaciju gastrointestinalnih polipa na slikama kolonoskopije: U-Net, PraNet i DUCK-Net. Započinje se s objašnjavanjem os- nova dubokih neuronskih mreža i konvolucijskih neuronskih mreža, nakon čega slijedi detaljna analiza arhitekture i prednosti svakog modela. Javno dostupni skupovi poda- taka standardizirani su i pripremljeni za trening i testiranje, s naglaskom na evaluaciju performansi modela korištenjem uobičajenih metrika segmentacije. U-Net je poslužio kao robusni bazni model, dok je PraNet pokazao izvanredne performanse uz efikasne zahtjeve za treniranje. DUCK-Net, iako kompleksan i resursno zahtjevan, nije posti- gao rezultate kakve se očekivalo. Rezultati sugeriraju da U-Net i PraNet imaju značajan potencijal za poboljšanje s modernim tehnikama, dok kompleksnost DUCK-Net-a pred- stavlja izazove. Dobiveni rezultati ističu potencijal modela za semantičku segmentaciju u pomoći medicinskim dijagnozama, pri čemu se PraNet posebno ističe kao obećavajući za aplikacije u stvarnom vremenu.
Sažetak (engleski)
This thesis evaluates three models for the semantic segmentation of gastrointesti- nal polyps in colonoscopy images: U-Net, PraNet, and DUCK-Net. The study begins by explaining the basics of deep neural networks and convolutional neural networks, fol- lowed by a detailed analysis of the architecture and advantages of each model. Publicly available datasets were standardized and prepared for training and testing, with a focus on evaluating model performance using common segmentation metrics. U-Net served as a robust baseline model, while PraNet demonstrated superior performance with effi- cient training requirements. DUCK-Net, although complex and resource-intensive, did not perform as expected. The findings suggest that U-Net and PraNet have significant potential for improvement with modern techniques, whereas DUCK-Net’s complexity poses challenges. The results underscore the potential of semantic segmentation mod- els in aiding medical diagnoses, with PraNet being particularly promising for real-time applications.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:168:765015
Studijski programNaziv: Računarstvo
Vrsta studija: sveučilišni
Stupanj studija: diplomski
Akademski / stručni naziv: magistar/magistra inženjer/inženjerka računarstva (mag.ing.comp.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaZatvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Javna napomena
Datum i vrijeme pohrane2024-10-12 20:24:05