Otkrivanje stršećih vrijednosti u slikovnim podacima korištenjem metoda strojnog i dubokog učenja

master's thesis

• Title (english): Outlier Detection in Image Data Using Machine Learning and Deep Learning Methods
• Author: Martina Sušilović
• Mentor: Alan Jović (mentor)
• Committee member: Alan Jović (predsjednik povjerenstva)
• Committee member: Siniša Šegvić (član povjerenstva)
• Committee member: Ante Đerek (član povjerenstva)
• Granter: University of Zagreb; Faculty of Electrical Engineering and Computing; Zagreb
• Defense date and country: 2022-07-06, Croatia
• Scientific / art field, discipline and subdiscipline: TECHNICAL SCIENCES; Computing

Abstract

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.

Abstract (english)

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.

• Keywords: stršeće vrijednosti; strojno učenje; duboko učenje; detekcija stršećih vrijednosti
• Keywords (english): outliers; machine learning; deep learning; outlier detection
• Language: croatian
• URN:NBN: urn:nbn:hr:168:703256
• Study programme: Title: Computing; Study programme type: university; Study level: graduate; Academic / professional title: magistar/magistra inženjer/inženjerka računarstva (magistar/magistra inženjer/inženjerka računarstva)
• Type of resource: Text
• File origin: Born digital
• Access conditions: Closed access
• Created on: 2023-01-14 09:59:40