Duboki generativni modeli temeljeni na prostornom rasporedu dijelova slike

diplomski rad

• Naslov (engleski): Deep generative models based on spatial layout of image parts
• Autor: Matija Folnović
• Mentor: Siniša Šegvić (mentor)
• Član povjerenstva: Siniša Šegvić (predsjednik povjerenstva)
• Član povjerenstva: Marin Golub (član povjerenstva)
• Član povjerenstva: Leonardo Jelenković (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2017-07-20, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: TEHNIČKE ZNANOSTI; Računarstvo

Sažetak

Iako moderni duboki modeli raspoznaju slike bolje od ljudi, problem klasifikacije slika još ne možemo smatrati riješenim. Poznato je da su duboki modeli skloni precijeniti pouzdanost predikcije, što može dovesti do vrlo neugodnih pogrešaka. Taj problem može se umanjiti primjenom reprezentacija koje sadrže prostorni raspored dijelova slike. Konkretno, prenaučenost se može umanjiti korištenjem regularizatora koji prisiljava model da nauči rekonstruirati ulaznu sliku. Ova ideja je proučavana kroz objavljen model koji se zove Duboki Što-Gdje Autoenkoder (engl. Stacked What-Where Autoencoder). Istražujemo prednosti i mane ovog pristupa u kontekstu polunadzirane klasifikacije jednostavnih slika i prikazujemo eksperimentalne rezultate na skupu MNIST.

Sažetak (engleski)

Although modern deep models classify images better than humans, image classification cannot be regarded as a solved problem yet. It's known that deep models tend to overestimate prediction accuracy, which can lead to unpleasent errors. This problem can be reduced by exploiting representations containing spatial layout of image parts. In particular, overfitting can be reduced by supplying a regularizer which forces the model to be able to reconstruct the input image. This idea has been studied in the previously published model known as Stacked What-Where Autoencoder. We research advantages and disadvantages of this approach in regards to semi-supervised classification of simple images and present experimental results on the MNIST dataset.

• Ključne riječi: duboki generativni modeli; učenje reprezentacije; polunadzirano učenje
• Ključne riječi (engleski): deep generative models; representation learning; semi-supervised learning
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:168:305338
• Studijski program: Naziv: Računarstvo; Vrsta studija: sveučilišni; Stupanj studija: diplomski; Akademski / stručni naziv: magistar/magistra inženjer/inženjerka računarstva (mag.ing.comp.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Zatvoreni pristup
• Datum i vrijeme pohrane: 2019-03-13 20:15:42