prikaz prve stranice dokumenta Nesigurnost segmentacije slike s obzirom na uzorke izvan distribucije
Rad nije dostupan
završni rad
Nesigurnost segmentacije slike s obzirom na uzorke izvan distribucije
Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2024. urn:nbn:hr:168:657616
Runtas, Jurica
Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva

Institucijski repozitorij: Repozitorij FER-a

Citirajte ovaj rad

Runtas, J. (2024). Nesigurnost segmentacije slike s obzirom na uzorke izvan distribucije (Završni rad). Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:168:657616

Runtas, Jurica. "Nesigurnost segmentacije slike s obzirom na uzorke izvan distribucije." Završni rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2024. https://urn.nsk.hr/urn:nbn:hr:168:657616

Runtas, Jurica. "Nesigurnost segmentacije slike s obzirom na uzorke izvan distribucije." Završni rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2024. https://urn.nsk.hr/urn:nbn:hr:168:657616

Runtas, J. (2024). 'Nesigurnost segmentacije slike s obzirom na uzorke izvan distribucije', Završni rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, citirano: 29.11.2024., https://urn.nsk.hr/urn:nbn:hr:168:657616

Runtas J. Nesigurnost segmentacije slike s obzirom na uzorke izvan distribucije [Završni rad]. Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva; 2024 [pristupljeno 29.11.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:657616

J. Runtas, "Nesigurnost segmentacije slike s obzirom na uzorke izvan distribucije", Završni rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, Zagreb, 2024. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:657616

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:168:657616
Podaci o radu
NaslovNesigurnost segmentacije slike s obzirom na uzorke izvan distribucije
Naslov (engleski)Uncertainty of Image Segmentation Regarding Out-of-distribution Samples
AutorJurica Runtas
MentorTomislav Petković (mentor)
Član povjerenstvaTomislav Petković (predsjednik povjerenstva)
Član povjerenstvaMarko Subašić (član povjerenstva)
Član povjerenstvaDonik Vršnak (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva
Zagreb
Datum i država obrane2024-07-03, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Računarstvo
Sažetak
Semantička segmentacija je zadatak računalnog vida u kojem se svaki piksel slike dodjeljuje u jednu od unaprijed definiranih klasa. Duboke neuronske mreže (DNM) su suvremeno rješenje tog zadatka i obično su trenirane tako da rade na zatvorenom skupu unaprijed definiranih klasa. U okruženjima otvorenog skupa, moguće je susresti anomalije, tj., semantički nepoznate objekte. Cestovna vožnja je primjer takvog okruženja u kojem je, sa stajališta sigurnosti, bitno osigurati da DNM može indicirati da operira izvan svoje naučene semantičke domene. Jedna metoda koja se koristi za tu svrhu je maksimizacija entropije uparena s korakom postprocesiranja zvanim meta klasifikacija koji povećava pouzdanost detekcije anomalija. U ovom radu, predlažemo pristup meta klasifikaciji koji značajno povećava pouzdanost detekcije anomalija u odnosu na originalni pristup tako što zamjenjuje logističku regresiju s jednostavnom neuronskom mrežom kao meta klasifikatorom. Analiziramo njegovu performansu i dajemo pregled potencijalnih arhitektura, prednosti i nedostataka korištenja neuronske mreže umjesto logističke regresije. Nadalje, dodatno evaluiramo metodu maksimizacije entropije i ukazujemo na to da je potreban oprez prilikom korištenja te metode u praksi kako bi se osigurala njena učinkovitost.
Sažetak (engleski)
Semantic segmentation is a computer vision task in which each pixel of an image is assigned into one of the predefined classes. Deep neural networks (DNNs) are a contemporary solution for such task and are usually trained to operate on a predefined closed set of classes. In open-set environments, it is possible to encounter anomalies, i.e., semantically unknown objects. Road driving is an example of such environment in which, from a safety standpoint, it is important to ensure that a DNN is able to indicate when it is operating outside of its learned semantic domain. One of the methods used for that purpose is entropy maximization paired with a post-processing step called meta classification which increases the reliability of anomaly detection. We propose a meta classification approach that significantly improves the reliability of anomaly detection in comparison to the original approach by substituting logistic regression meta classifier with a lightweight neural network meta classifier. We analyze its performance and examine potential model architectures, advantages and drawbacks of using it instead of logistic regression. Furthermore, we additionally evaluate the entropy maximization and show that caution must be taken when using it in practice in order to ensure its effectiveness.
Ključne riječi
Ključne riječi (engleski)
Jezikengleski
URN:NBNurn:nbn:hr:168:657616
Studijski programNaziv: Računarstvo
Vrsta studija: sveučilišni
Stupanj studija: preddiplomski
Akademski / stručni naziv: sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva (univ.bacc.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 22:02:54