prikaz prve stranice dokumenta Određivanje okvira objekata na slikama s pomoću dubokog učenja
Rad nije dostupan
završni rad
Određivanje okvira objekata na slikama s pomoću dubokog učenja
Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2024. urn:nbn:hr:168:541311
Štrbac, Dorjan
Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva

Institucijski repozitorij: Repozitorij FER-a

Citirajte ovaj rad

Štrbac, D. (2024). Određivanje okvira objekata na slikama s pomoću dubokog učenja (Završni rad). Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:168:541311

Štrbac, Dorjan. "Određivanje okvira objekata na slikama s pomoću dubokog učenja." Završni rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2024. https://urn.nsk.hr/urn:nbn:hr:168:541311

Štrbac, Dorjan. "Određivanje okvira objekata na slikama s pomoću dubokog učenja." Završni rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2024. https://urn.nsk.hr/urn:nbn:hr:168:541311

Štrbac, D. (2024). 'Određivanje okvira objekata na slikama s pomoću dubokog učenja', Završni rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, citirano: 26.12.2024., https://urn.nsk.hr/urn:nbn:hr:168:541311

Štrbac D. Određivanje okvira objekata na slikama s pomoću dubokog učenja [Završni rad]. Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva; 2024 [pristupljeno 26.12.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:541311

D. Štrbac, "Određivanje okvira objekata na slikama s pomoću dubokog učenja", Završni rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, Zagreb, 2024. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:541311

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:168:541311
Podaci o radu
NaslovOdređivanje okvira objekata na slikama s pomoću dubokog učenja
Naslov (engleski)Bounding Box Detection Using Deep Learning
AutorDorjan Štrbac
MentorKrešimir Križanović (mentor)
Član povjerenstvaKrešimir Križanović (predsjednik povjerenstva)
Član povjerenstvaJosipa Lipovac (član povjerenstva)
Član povjerenstvaRafael Josip Penić (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva
Zagreb
Datum i država obrane2024-09-11, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Računarstvo
Sažetak
Objašnjene su osnove strojnog i dubokog učenja, unaprijednih potpuno povezanih neuronskih mreža i konvolucijskih neuronskih mreža za računalni vid. U detalje se objašnjavaju potpuno povezani slojevi te 2D konvolucijski slojevi i 2D slojevi združivanja i njihove uloge u konvolucijskim neuronskim mrežama za računalni vid. Objašnjen je koncept prijenosnog učenja u računalnom vidu. Predstavljen je podatkovni skup korišten za rješavanje zadatka uokvirivanja objekta na slici u što uži okvir sa stranicama paralelnim s vertikalnom i horizontalnom osi slike. Objašnjena je IoU metrika te neke funkcije gubitka i ostale korištene metrike temeljene na IoU. Opisana je arhitektura baza VGG16 i ResNet50 mreža i modeli s tim pretreniranim bazama koriste se za prijenosno učenje na prethodno spomenutom zadatku te se uči i relativno jednostavna konvolucijska mreža i prikazuju i uspoređuju rezultati. Također se objašnjavaju neki problemi dubokih neuronskih mreža i njihova rješenja.
Sažetak (engleski)
The basics of machine learning, deep learning, feedforward fully connected neural networks, and convolutional neural networks for computer vision are explained. The fully connected layers, 2D convolutional layers, and 2D pooling layers, as well as their roles in convolutional neural networks for computer vision, are detailed. The concept of transfer learning in computer vision is explained. The dataset used for solving the task of framing an object in the image within the tightest possible box, with sides parallel to the vertical and horizontal axes of the image, is presented. The IoU metric, along with some loss functions and other IoU-based metrics, are explained. The architecture of the VGG16 and ResNet50 network backbones is described, and models with these pretrained backbones are used for transfer learning on the previously mentioned task. A relatively simple convolutional network is also trained, and the results are presented and compared. Additionally, some issues with deep neural networks and their solutions are discussed.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:168:541311
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 22:18:20