prikaz prve stranice dokumenta Primjena prijenosnog učenja u području forenzike
  Preuzmi
PDF 2.81 MB
diplomski rad
Primjena prijenosnog učenja u području forenzike
Split: Sveučilište u Splitu, Prirodoslovno-matematički fakultet, 2024. urn:nbn:hr:166:652759
Jerković, Nika
Sveučilište u Splitu
Prirodoslovno-matematički fakultet
Odjel za informatiku

Institucijski repozitorij: repozitorij.pmfst.unist.hr

Citirajte ovaj rad

Jerković, N. (2024). Primjena prijenosnog učenja u području forenzike (Diplomski rad). Split: Sveučilište u Splitu, Prirodoslovno-matematički fakultet. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:166:652759

Jerković, Nika. "Primjena prijenosnog učenja u području forenzike." Diplomski rad, Sveučilište u Splitu, Prirodoslovno-matematički fakultet, 2024. https://urn.nsk.hr/urn:nbn:hr:166:652759

Jerković, Nika. "Primjena prijenosnog učenja u području forenzike." Diplomski rad, Sveučilište u Splitu, Prirodoslovno-matematički fakultet, 2024. https://urn.nsk.hr/urn:nbn:hr:166:652759

Jerković, N. (2024). 'Primjena prijenosnog učenja u području forenzike', Diplomski rad, Sveučilište u Splitu, Prirodoslovno-matematički fakultet, citirano: 28.11.2024., https://urn.nsk.hr/urn:nbn:hr:166:652759

Jerković N. Primjena prijenosnog učenja u području forenzike [Diplomski rad]. Split: Sveučilište u Splitu, Prirodoslovno-matematički fakultet; 2024 [pristupljeno 28.11.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:166:652759

N. Jerković, "Primjena prijenosnog učenja u području forenzike", Diplomski rad, Sveučilište u Splitu, Prirodoslovno-matematički fakultet, Split, 2024. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:166:652759

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:166:652759
Podaci o radu
NaslovPrimjena prijenosnog učenja u području forenzike
Naslov (engleski)Application of Transfer Learning in the Field of Forensics
AutorNika Jerković
MentorSaša Mladenović (mentor)
Član povjerenstvaSaša Mladenović (predsjednik povjerenstva)
Član povjerenstvaGoran Zaharija (član povjerenstva)
Član povjerenstvaDino Nejašmić (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Splitu
Prirodoslovno-matematički fakultet
(Odjel za informatiku)
Split
Datum i država obrane2024-04-05, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Računarstvo
Sažetak
Određena područja, poput forenzike, suočavaju se s izazovima prikupljanja podataka zbog njihove specifičnosti i osjetljivosti. Fokus ovog istraživanja usmjeren je na različite strategije rješavanja problema nedostatka podataka, demonstriranih na primjeru klasifikacije spola lubanja na temelju 220 slika dobivenih 3D rekonstrukcijom MSCT snimaka. Detaljno je analiziran problem malih skupova podataka pružajući pregled relevantnih istraživanja, s naglaskom na tehnike povećanja skupa podataka i prijenosno učenje. Pokazano je da klasične tehnike povećanja skupa podataka, kao što su rotacija i razina osvjetljenja, pružaju bolje rezultate od sintetičkih metoda. U kontekstu prijenosnog učenja, model ResNet50 se istakao kao najučinkovitiji, a dodatan napredak postignut je finim podešavanjem. U konačnici su razvijeni modeli za svaki od triju pogleda (lateralni, frontalni i okcipitalni) koristeći klasične tehnike za povećanje skupa podataka i fino podešavanje. Pojedinačni modeli su kombinirani većinskim glasanjem te je postignuta krajnja točnost od 92,54%.
Sažetak (engleski)
Certain research areas, such as forensics, face challenges in collecting data due to the specificity of the data and the sensitive information involved. This research focuses on various strategies to address the data scarcity issue, demonstrated in the context of sex classification based on 220 images obtained through 3D reconstruction of MSCT scans of skulls. The problem of small datasets is analyzed in detail, providing an overview of relevant research and examining approaches such as dataset augmentation and transfer learning. Classical data augmentation techniques, such as rotation and lighting variations, yield better results than synthetic methods. In the context of transfer learning, the ResNet50 model stands out as the most effective, achieving additional progress through fine-tuning. Ultimately, models were developed for each view (lateral, frontal, and occipital) using classical dataset augmentation and fine-tuning techniques. Individual models were combined through majority voting, resulting in an accuracy of 92.54%.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:166:652759
Studijski programNaziv: Podatkovna znanost i inženjerstvo
Vrsta studija: sveučilišni
Stupanj studija: diplomski
Akademski / stručni naziv: sveučilišni/a magistar/magistra podatkovne znanosti i inženjerstva (univ. mag. dat. sci. et ing.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaOtvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Datum i vrijeme pohrane2024-05-03 10:32:46