Duboka konvolucijska arhitektura EfficientNetV2

završni rad

• Naslov (engleski): Deep convolutional architecture EfficientNetV2
• Autor: Karlo Frankola
• Mentor: Siniša Šegvić (mentor)
• Član povjerenstva: Siniša Šegvić (predsjednik povjerenstva)
• Član povjerenstva: Matej Grcić (član povjerenstva)
• Član povjerenstva: Petra Bevandić (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2022-07-06, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: TEHNIČKE ZNANOSTI; Računarstvo

Sažetak

Klasifikacija slika važan je problem u računalnom vidu s mnogim zanimljivim primjenama. Trenutno stanje tehnike koristi duboke konvolucijske mreže. Velika računalna složenost tih modela dovodi do problema u treniranju i kasnijoj evaluaciji. To je dovelo da se posebno traže konvolucijske arhitekture koje kroz puno manji broj parametara svejedno mogu ostvariti komparabilnu točnost. U okviru rada odabran je okvir za automatsku diferencijaciju te biblioteke za rad s tenzorima i slikama. Ukratko je opisana teorijska podloga strojnog i dubokog učenja te neke klasične konvolucijske arhitekture. Istražene su efikasne arhitekture EfficientNet i EfficientNetV2 te uspoređeni njihovi rezultati s rezidualnim mrežama.

Sažetak (engleski)

Image classification is an important problem in computer vision with many interesting applications. Current state of the art techniques use deep convolutional networks. The large computational complexity of such models leads to problems in training and later evaluation of them. This lead to a special search for convolutional architectures that even with significantly less parameters are able to achieve comparable accuracy. In this paper, an automatic differentiation framework was chosen, and libraries for working with tensors and images. The theoretical basis for machine and deep learning was introduced and some classic convolutional architectures were explained. Efficient architectures of EfficientNet and EfficientNetV2 were researched and their results were compared to residual networks.

• Ključne riječi: duboko učenje; konvolucijske arhitekture; računalni vid; ResNet; EfficientNet; EfficientNetV2
• Ključne riječi (engleski): deep learning; convolutional architectures; computer vision; ResNet; EfficientNet; EfficientNetV2
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:168:968729
• Studijski program: Naziv: Računarstvo; Vrsta studija: sveučilišni; Stupanj studija: preddiplomski; Akademski / stručni naziv: sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva (univ.bacc.ing.comp.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Zatvoreni pristup
• Datum i vrijeme pohrane: 2023-01-15 10:08:31