prikaz prve stranice dokumenta Destiliranje semantičke segmentacije
Rad nije dostupan
završni rad
Destiliranje semantičke segmentacije
Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2024. urn:nbn:hr:168:927246
Sučić, Filip
Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva

Institucijski repozitorij: Repozitorij FER-a

Citirajte ovaj rad

Sučić, F. (2024). Destiliranje semantičke segmentacije (Završni rad). Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:168:927246

Sučić, Filip. "Destiliranje semantičke segmentacije." Završni rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2024. https://urn.nsk.hr/urn:nbn:hr:168:927246

Sučić, Filip. "Destiliranje semantičke segmentacije." Završni rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2024. https://urn.nsk.hr/urn:nbn:hr:168:927246

Sučić, F. (2024). 'Destiliranje semantičke segmentacije', Završni rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, citirano: 25.11.2024., https://urn.nsk.hr/urn:nbn:hr:168:927246

Sučić F. Destiliranje semantičke segmentacije [Završni rad]. Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva; 2024 [pristupljeno 25.11.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:927246

F. Sučić, "Destiliranje semantičke segmentacije", Završni rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, Zagreb, 2024. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:927246

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:168:927246
Podaci o radu
NaslovDestiliranje semantičke segmentacije
Naslov (engleski)Distillation of semantic segmentation
AutorFilip Sučić
MentorSiniša Šegvić (mentor)
Član povjerenstvaSiniša Šegvić (predsjednik povjerenstva)
Član povjerenstvaJosip Šarić (član povjerenstva)
Član povjerenstvaIvan Martinović (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva
Zagreb
Datum i država obrane2024-07-01, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Računarstvo
Sažetak
Problem kod modela dubokog učenja koji postižu zapanjujuće rezultate je što su često glomazni i ne možemo ih koristiti u stvarnom vremenu. U ovom radu se istražuju metode kako učinkovito prenijeti znanje takvih modela na manje, efikasnije modele. Prikazane su osnovne metode, uključujući destilaciju pomoću tvrdih i mekih oznaka, kao i kombinaciju stvarnih tvrdih oznaka i mekih oznaka učitelja. Eksperimenti su provedeni na skupu podataka Cityscapes, pri čemu je model učitelj Mask2Former, a model student Swiftnet. Rezultati pokazuju da je moguće prenijeti znanje s većih modela na manje, uz zadržavanje zadovoljavajuće razine performansi.
Sažetak (engleski)
The issue with deep learning models that achieve outstanding results is that they are often too cumbersome to be used in real-time applications. This paper explores methods to effectively transfer the knowledge of such models to smaller, more efficient ones. Basic methods are presented, including distillation using hard and soft labels, as well as a combination of true hard labels and soft teacher labels. Experiments were conducted on the Cityscapes dataset, with Mask2Former as the teacher model and Swiftnet as the student model. The results demonstrate that it is possible to transfer knowledge from larger models to smaller ones while maintaining a satisfactory level of performance.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:168:927246
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 22:10:54