prikaz prve stranice dokumenta Otkrivanje stršećih vrijednosti u slikovnim podacima korištenjem metoda strojnog i dubokog učenja
Rad nije dostupan
diplomski rad
Otkrivanje stršećih vrijednosti u slikovnim podacima korištenjem metoda strojnog i dubokog učenja
Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2022. urn:nbn:hr:168:703256
Sušilović, Martina
Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva

Institucijski repozitorij: Repozitorij FER-a

Citirajte ovaj rad

Sušilović, M. (2022). Otkrivanje stršećih vrijednosti u slikovnim podacima korištenjem metoda strojnog i dubokog učenja (Diplomski rad). Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:168:703256

Sušilović, Martina. "Otkrivanje stršećih vrijednosti u slikovnim podacima korištenjem metoda strojnog i dubokog učenja." Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2022. https://urn.nsk.hr/urn:nbn:hr:168:703256

Sušilović, Martina. "Otkrivanje stršećih vrijednosti u slikovnim podacima korištenjem metoda strojnog i dubokog učenja." Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2022. https://urn.nsk.hr/urn:nbn:hr:168:703256

Sušilović, M. (2022). 'Otkrivanje stršećih vrijednosti u slikovnim podacima korištenjem metoda strojnog i dubokog učenja', Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, citirano: 22.11.2024., https://urn.nsk.hr/urn:nbn:hr:168:703256

Sušilović M. Otkrivanje stršećih vrijednosti u slikovnim podacima korištenjem metoda strojnog i dubokog učenja [Diplomski rad]. Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva; 2022 [pristupljeno 22.11.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:703256

M. Sušilović, "Otkrivanje stršećih vrijednosti u slikovnim podacima korištenjem metoda strojnog i dubokog učenja", Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, Zagreb, 2022. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:703256

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:168:703256
Podaci o radu
NaslovOtkrivanje stršećih vrijednosti u slikovnim podacima korištenjem metoda strojnog i dubokog učenja
Naslov (engleski)Outlier Detection in Image Data Using Machine Learning and Deep Learning Methods
AutorMartina Sušilović
MentorAlan Jović (mentor)
Član povjerenstvaAlan Jović (predsjednik povjerenstva)
Član povjerenstvaSiniša Šegvić (član povjerenstva)
Član povjerenstvaAnte Đerek (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva
Zagreb
Datum i država obrane2022-07-06, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Računarstvo
Sažetak
Stršeće vrijednosti su primjerci u skupu podataka koji po vrijednosti nekih značajki odstupaju od ostatka skupa. Otkrivanje i uklanjanje stršećih vrijednosti je važan korak u predobradi podataka, te su u tu svrhu razvijene brojne metode strojnog i dubokog učenja. Osobito je izazovan zadatak nenadzirano otkrivanje stršećih vrijednosti. U ovom su radu, na primjeru skupa podataka betonskih površina s oštećenjima, evaluirane neke od najčešće korištenih metoda otkrivanja anomalija u podacima: lokalni faktor stršećih vrijednosti (LOF), stroj s potpornim vektorima (SVM) te izolacijska šuma (IF). Osim toga, opisani su i najbolji rezultati dobiveni s dva duboka modela za otkivanje stršećih vrijednosti na temelju uspješnosti rekonstrukcije: konvolucijskim autoenkoderom i varijacijskim autoenkoderom. Najuspješnijim algoritmom na ovom problemu pokazao se LOF.
Sažetak (engleski)
Outliers are data points whose features deviate significantly from the majority in a dataset. Outlier detection and removal is an important step in data preprocessing and many machine learning and deep learning approaches have been developed to solve this problem. Unsupervised anomaly detection is especially challenging. In this paper, a dataset containing images of concrete surfaces with cracks is used to evaluate some of the most popular machine learning algorithms for anomaly detection: local outlier factor (LOF), support vector machine (SVM) and isolation forest (IF). Additionaly, the best results obtaned from two deep learning reconstruction-based approaches (convolutional autoencoder and variational autoencoder) are described and compared to the results of traditional approaches. LOF was shown to be the most successful algorithm on this problem.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:168:703256
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 pohrane2023-01-14 09:59:40