Raspoznavanje objekata na slikama pomoću dubokog učenja

undergraduate thesis

• Title (english): Image Classification Using Deep Learning
• Author: Luka Miličević
• Mentor: Krešimir Križanović (mentor)
• Committee member: Krešimir Križanović (predsjednik povjerenstva)
• Committee member: Josipa Lipovac (član povjerenstva)
• Committee member: Rafael Josip Penić (član povjerenstva)
• Granter: University of Zagreb; Faculty of Electrical Engineering and Computing; Zagreb
• Defense date and country: 2024-07-12, Croatia
• Scientific / art field, discipline and subdiscipline: TECHNICAL SCIENCES; Computing

Abstract

Duboko učenje koristi višeslojne neuronske mreže za modeliranje složenih obrazaca u podacima, omogućujući visoku preciznost u zadacima poput klasifikacije objekata na fotografijama. Ovaj rad bavi se klasifikacijom pričvrsnih elemenata u kategorije i potkategorije koristeći konvolucijske neuronske mreže, danas prevladavajuću arhitekturu u području računalnog vida. Proces uključuje pripremu velikog skupa podataka za učenje i odabir idealne rezolucije slika, dizajn arhitekture jednostavne i kompleksne neuronske mreže te fine-tuning postojećih modela, treniranje modela i konačnu evaluaciju sustava. Različiti modeli uspoređeni su međusobno i na varijacijama ulaznog skupa podataka kako bi se utvrdila njihova učinkovitost i preciznost. Rezultati pokazuju potencijal primjene dubokog učenja za klasifikaciju u stvarnim uvjetima.

Abstract (english)

Deep learning uses multi-layer neural networks to model complex patterns in data, enabling high accuracy in tasks such as classifying objects in photographs. This paper deals with the classification of fasteners into categories and subcategories using convolutional neural networks, today's prevailing architecture in the field of computer vision. The process includes preparation of a large data set for learning and selection of ideal image resolution, design of simple and complex neural network architectures and fine-tuning of existing models, training and final evaluation of the created system. Different models were compared to each other and on variations of the input data set in order to determine their effectiveness and precision. The results show potential of applying deep learning for classification in real conditions.

• Keywords: duboko učenje; strojno učenje; umjetna inteligencija; računalni vid; klasifikacija; neuronske mreže; konvolucijske neuronske mreže; CNN; EfficientNet; model; treniranje; učenje; validacija; preciznost; testiranje; fine-tuning; Python; TensorFlow; Keras; OpenCV; pričvrsni elementi
• Keywords (english): deep learning; machine learning; Artificial Intelligence; computer vision; classification; neural networks; convolutional neural networks; CNN; EfficientNet; model; training; learning; validation; precision; testing; fine-tuning; Python; TensorFlow; Keras; OpenCV; fasteners
• Language: croatian
• URN:NBN: urn:nbn:hr:168:012598
• Study programme: Title: Computing; Study programme type: university; Study level: undergraduate; Academic / professional title: sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva (sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva)
• Type of resource: Text
• File origin: Born digital
• Access conditions: Closed access
• Created on: 2024-10-12 21:36:24