Analiza metoda generiranja sintetičkih skupova podataka

završni rad

• Naslov (engleski): Survey of methods for synthetic dataset generation
• Autor: Dominik Sekula
• Mentor: Matko Orsag (mentor)
• Član povjerenstva: Matko Orsag (predsjednik povjerenstva)
• Član povjerenstva: Marsela Polić (član povjerenstva)
• Član povjerenstva: Jelena Vuletić (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2021-07-15, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: TEHNIČKE ZNANOSTI; Računarstvo

Sažetak

Cilj rada je navesti, provesti i analizirati metode generacije sintetičkih skupova podataka. Rad se prvotno bavi analizom i prikazivanjem sučelja za generaciju i upravljanje skupovima podataka pod nazivom NDDS (Nvidia Deep learning Dataset Synthesizer) korištenim u svrhu stvaranju podataka za učenje dubokih konvolucijskih neuronskih mreža. Mreže su trenirane na dva načina: samo na sintetičkim podacima i uz korištenje realnih podataka za validaciju. Uspoređivanje uspješnosti se baziralo na točnosti tj. postotku preklapanja između ciljne maske i dobivene predikcije. Postupak je pokazao prihvatljivu točnost na dijelu podataka te ukazao na važnost provjere razičitih metoda treniranja.

Sažetak (engleski)

The aim of this thesis is to list, implement and analyze the methods for synthetic dataset generation. Interface for the generation and management of datasets called NDDS (Nvidia Deep learning Dataset Synthesizer) is analyzed and used for the purpose of creating data for learning deep convolutional neural networks. Networks are trained in two ways: on synthetic data only and on synthetic data with the addition of the real images used for the validation purpose. The comparison of performance was based on IoU score. Namely, the percentage of overlap between the target mask and the obtained prediction mask was calculated for each model. The procedure showed acceptable accuracy on some parts of the data and pointed out the importance of testing different training methods

• Ključne riječi: semantička segmentacija; duboko učenje; sintetički skup podataka; NDDS
• Ključne riječi (engleski): semantic segmentation; deep learning; synthetic dataset; NDDS
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:168:910947
• 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 11:11:58