prikaz prve stranice dokumenta Prepoznavanje osoba temeljem uha primjenom dubokog učenja
  Preuzmi
PDF 2.63 MB
završni rad
Prepoznavanje osoba temeljem uha primjenom dubokog učenja
Rijeka: Sveučilište u Rijeci, Tehnički fakultet, 2023. urn:nbn:hr:190:299195
Barjaktarić, Karlo
Sveučilište u Rijeci
Tehnički fakultet

Institucijski repozitorij: Repozitorij Tehničkog fakulteta u Rijeci

Citirajte ovaj rad

Barjaktarić, K. (2023). Prepoznavanje osoba temeljem uha primjenom dubokog učenja (Završni rad). Rijeka: Sveučilište u Rijeci, Tehnički fakultet. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:190:299195

Barjaktarić, Karlo. "Prepoznavanje osoba temeljem uha primjenom dubokog učenja." Završni rad, Sveučilište u Rijeci, Tehnički fakultet, 2023. https://urn.nsk.hr/urn:nbn:hr:190:299195

Barjaktarić, Karlo. "Prepoznavanje osoba temeljem uha primjenom dubokog učenja." Završni rad, Sveučilište u Rijeci, Tehnički fakultet, 2023. https://urn.nsk.hr/urn:nbn:hr:190:299195

Barjaktarić, K. (2023). 'Prepoznavanje osoba temeljem uha primjenom dubokog učenja', Završni rad, Sveučilište u Rijeci, Tehnički fakultet, citirano: 24.12.2024., https://urn.nsk.hr/urn:nbn:hr:190:299195

Barjaktarić K. Prepoznavanje osoba temeljem uha primjenom dubokog učenja [Završni rad]. Rijeka: Sveučilište u Rijeci, Tehnički fakultet; 2023 [pristupljeno 24.12.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:190:299195

K. Barjaktarić, "Prepoznavanje osoba temeljem uha primjenom dubokog učenja", Završni rad, Sveučilište u Rijeci, Tehnički fakultet, Rijeka, 2023. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:190:299195

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:190:299195
Podaci o radu
NaslovPrepoznavanje osoba temeljem uha primjenom dubokog učenja
Naslov (engleski)Ear recognition using deep learning
AutorKarlo Barjaktarić
MentorKristijan Lenac (mentor)
MentorDiego Sušanj (komentor)
Član povjerenstvaMiroslav Joler (predsjednik povjerenstva)
Član povjerenstvaKristijan Lenac (član povjerenstva)
Član povjerenstvaDiego Sušanj (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Rijeci
Tehnički fakultet
Rijeka
Datum i država obrane2023-09-12, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Računarstvo
Umjetna inteligencija
Sažetak
Ovaj rad opisuje kako kreirati model koji će imati sposobnost točne klasifikacije kada mu se kao ulaz uputi fotografija uha subjekta čija je obilježja trebao naučio u trening fazi te su objašnjene prednosti ovakvog tipa podataka nad ostalim biometrijskim tipovima. Na samom početku, pokriveni su pojmovi duboko učenje i neuronska mreža koji su osnova za razumijevanje funkcioniranja treninga i validacije modela. Korišteni podaci potječu iz dva neovisna skupa podataka koji sadrže fotografije ljudskih uši, a koje su sistematski imenovane prema opisanim pravilima. Rad se dotiče predobrade tih podatka i potrebnih/proizvoljnih transformacija provedenim na njima prije nego su predane modelima. Korišteni pretrenirani modeli su ResNet-18 i VGG-16, a cjelokupni kod pisan je u PyTorchu, platformi otvorenog koda za strojno učenje. ResNet-18 ostvario je bolje rezultate na spomenutim skupovima podataka od VGG-16, a razlozi se kriju u njihovoj arhitekturi, parametrima i obilježjima samih skupova podataka.
Sažetak (engleski)
This paper describes how to create a model that will be capable of accurate classification when it is given a photo of the subject's ear as input, the features of which should have been learned in the training phase, and the advantages of this type of data over other biometric types. At the very beginning, the concepts of deep learning and neural network are covered, which are the basis for understanding the functioning of model training and validation. The data come from two independent datasets containing photographs of human ears, which were systematically named according to the described rules. The paper concerns the preprocessing of data and the necessary/arbitrary transformations performed on them before they are submitted to the models. The pretrained models that are used are ResNet-18 and VGG-16. The entire code is written in PyTorch, an open-source platform for machine learning. ResNet-18 achieved better results on the mentioned datasets than VGG-16 and the reasons lie in their architecture, parameters and characteristics of the datasets themselves.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:190:299195
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 pristupaOtvoreni pristup
Uvjeti korištenjaIkona licence Imenovanje 4.0 međunarodna (CC BY 4.0)
Datum i vrijeme pohrane2023-09-12 16:29:27