Učenje iz jednog primjera u području računalnog vida

undergraduate thesis

• Title (english): Single Shot Learning in Computer Vision
• Author: Benjamin Kušen
• Mentor: Tomislav Petković (mentor)
• Committee member: Tomislav Petković (predsjednik povjerenstva)
• Committee member: Kristijan Bartol (član povjerenstva)
• Committee member: Duje Medak (član povjerenstva)
• Granter: University of Zagreb; Faculty of Electrical Engineering and Computing; Zagreb
• Defense date and country: 2021-09-01, Croatia
• Scientific / art field, discipline and subdiscipline: TECHNICAL SCIENCES; Computing

Abstract

Učenje iz jednog primjera pristup je neuronskim mrežama u kojem se želi ostvariti mogućnost zaključivanja i klasifikacije temeljem samo jednog naučenog primjera. Danas neuronske mreže zahtijevaju ogromne količine podataka koji je teško dobiti zbog različitih razloga: podatke treba prikupiti, podatke treba ručno klasificirat, podatke treba predobraditi, i slično. Učenje iz jednog primjera rješava većinu tih problema jer jedan uzorak za učenje postaje dovoljan. Tema ovog rada je sistematizacija, analiza i usporedba znanstvenih radova u ovom području. Analizom radova uočene su dvije osnovne ideje kojima istraživači pristupaju problemu učenja iz jednog primjera: učenjem kako učiti i diskriminativnim ulaganjima. Osim tih osnovnih ideja uočene su i četiri glavne arhitekture koje se učestalo pojavljuju: memorijom proširene neuronske mreže, Bayesove neuronske mreže, Sijamske neuronske mreže i rekurzivne mreže. Područje učenje iz jednog primjera je propulzivno, a u ovom završnom radu analizirani su radovi pronađeni na odabranim tražilicama korištenjem odabranih ključnih riječi te zbog toga sistematizacije predložene u ovom radu nisu konačne.

Abstract (english)

One-shot learning is an approach to neural networks that aims to achieve prediction and classification from a single teaching example. Nowadays neural networks require huge amounts of data that are hard to obtain for a variety of reasons: data must be collected, data must be manually classified, data must be preprocessed, and so on. Learning from one example solves a majority of such problems because only a single example is needed. The topic of this thesis is systematization, analysis, and comparison of research papers in this area. The analysis of the papers identified two fundamental ideas which are used by researchers to attack the problem of learning from one example: learning to learn and discriminative embeddings. In addition to the fundamental ideas, four architectures have been identified that occur frequently: memory augmented neural networks, Bayesian neural networks, Siamese neural networks, and recursive neural networks. The area of one-shot learning is propulsive, and this thesis considers research papers found using selected search engines and selected keywords. For these reasons, the systematizations proposed in this paper are not final.

• Keywords: učenje iz jednog primjera; učenje iz malo primjera; učenje bez primjera; učenje kako učiti; diskriminativna ulaganja; memorijom proširene neuronske mreže; Sijamske neuronske mreže; rekurzivne neuronske mreže; Bayesove neuronske mreže
• Keywords (english): one-shot learning; few-shot learning; zero-shot learning; learning to learn; discriminative embeddings; memory augmented neural networks; Siamese neural networks; recursive neural networks; Bayesian neural networks
• Language: croatian
• URN:NBN: urn:nbn:hr:168:746275
• 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: 2023-01-14 20:55:52