Završni radovi | Repozitorij FER-a

: Duboki konvolucijski modeli za automatizirano praćenje i nadzor životinja; Luka Ahac
Tema rada su problemi detekcije i segmentacije objekata na fotografijama. Objašnjeni su koncepti neuronskih mreža te konvolucijskih neuronskih mreža. Nakon toga su opisani neki od popularnijih postojećih modela za detekciju objekata na fotografijama i dana je njihova usporedba u brzini i preciznošću. Zatim je model Mask R-CNN treniran na vlastito izrađenom skupu podataka u kojemu se nalaze slike lavova. Nakon toga model je primijenjen da samostalno detektira lavove na fotografijama...

: Duboki konvolucijski modeli za automatizirano praćenje i nadzor životinja; David Podrebarac
U okviru ovog rada proučene su duboke neuronske mreže za automatizirano praćenje životinja, točnije praćenje peradi na farmi. Testirana su dva modela kamere za dohvaćanje slika, od kojih se jedan temelji na točkastom modelu a drugi na modelu širokokutne kamere. Model Mask R-CNN korišten je za segmentaciju instanci objekata. Optimizirani su hiperparametri modela, testirani različiti izlučivači značajki i konačno dana srednja preciznost kao mjera evaluacije modela.

: Duboki konvolucijski modeli za lokalizaciju objekata; Damjan Miko
Ovaj rad bavi se metodama detekcije objekata konvolucijskim modelima. Detaljnije su proučeni i uspoređeni modeli SSD i YOLO te njihove novije verzije. Oni se baziraju na jednom unaprijednom prolazu kroz mrežu što ih čini brzim, a također daju i dobre rezultate. Napravljen je eksperiment koji koristi novije YOLO modele za lokalizaciju objekata na vlastitom skupu podataka. U tu svrhu koristi se snimka nogometne utakmice gdje su objekti za detekciju igrači oba tima i sudac. Modeli su...

: Duboki konvolucijski modeli za praćenje objekata; Ivan Fabijanić
Ovaj rad se bavi problemom detekcije i praćenja sa dubokim konvoluciiskim modelima. Objašnjeni su koncepti dubokih konvolucijskih modela, metode učenja te metode detekcije i praćenja objekata. Također su opisani modeli detekcije i praćenja objekata koji su razvijeni u okviru ovog rada. Modeli su evaluirani tako da se mjerila kvaliteta praćenja modela za praćenje u odnosu na model za detekciju, mjerila se kvaliteta praćenja u odnosu na duljinu faze učenja i mjerila se brzina...

: Duboki model namijenjen za učenje i prepoznavanje karakteristika lica; Luka Martić
Neizraziti skup je skup za koji se ne može jasno odrediti pripada li neki element skupu ili ne. Duboko učenje porodica je strojnog učenja koje se primarno temelji na umjetnim neuronskim mrežama. U okviru ovog diplomskog rada izgrađen je i predstavljen duboki model namijenjen za kategorizaciju karakteristika lica koje se modeliraju kao neizrazite veličine na skupu za učenje CelebA. Rezultati modela zaostaju za state-of-the-art rješenjima, ali predstavljaju podlogu za daljnje...

: Duboki modeli za detekciju ključnih točaka osoba; Pavo Matanović
Detekcija ključnih točaka osoba važno je područje računalnog vida sa zanimljivim primjenama. Opisanim postupkom moguće je modelirati gotovo sve stupnjeve slobode čovjeka. Prvi dio rada opisuje model Cascaded Pyramid Network koji je dvofazni model, u prvoj fazi se radi detekcija osoba na slikama dok se u drugoj na osnovi detekcije osobe označuju ključne točke. Drugi dio rada opisuje preinaku modela SwiftNet tako da detektira ključne točke. Ideja je bila napraviti model koji ima...

: Duboki modeli za semantičku segmentaciju i detekciju anomalija; Marko Čengić
U ovom radu primijenjene su metode dubokog učenja za segmentaciju anomalija. Specifično je korišten model arhitekture Swiftnet sa s ljestvičastim naduzorkovanjem. Nadodane su na njega tri metode detekcije anomalija: maksimalni softmax, maksimalni logit i entropija Takav je model onda korišten za detekciju anomalija na cesti.

: Duboki modeli za uklanjanje šuma u slikama iscrtanim slučajnim uzorkovanjem; Nikola Bunjevac
Iscrtavanje slučajnim uzorkovanjem postiglo je zavidne rezultate od svojih začetaka. Napretkom tehnologije omogućena su dodatna poboljšanja kvalitete generiranih slika. Ipak, značajan dio vremena troši se na veliki broj uzoraka koji je nužan za željenu kvalitetu rezultata. Nedovoljan broj uzoraka manifestira se u obliku šuma. Ovaj rad razmatra alternativni način uklanjanja šuma primjenom dubokog učenja. Spomenuti pristup pogodan je zbog toga što možemo generirati parove slika s...

: Duboki neuronski modeli za ekstraktivno sažimanje teksta; Ivan Lovrenčić
Velika količina javno dostupnih tekstnih podataka omogućila je brz razvoj dubokih neuronskih modela za obradu prirodnog jezika. Jedan od zadataka obrade prirodnog jezika koji je posebno profitirao od velika količina teksta, a koji istovremeno ima potencijal riješiti problem prekomjernosti podataka, jest strojno sažimanje teksta. Posebice, cilj ekstraktivnog sažimanja teksta jest stvaranje kratkog ali informacijskog bogatog i sažetog podskupa izvornog teksta. Tema ovog rada jest...

: Duboko učenje ReLayNet arhitekturom za segmentaciju slojeva retine; Antun Herkov
U ovom je radu opisana state-of-the-art metoda za segmentaciju slojeva retine i motivacija iza nje. Kroz prilagodbu metode domaćoj bazi podataka analizirane su performanse modela primijenjenog na bazu podataka pacijenata koji boluju od senilne makularne degeneracije. U sklopu rada provedeno je nekoliko eksperimenata te analiziran značaj pojedinih komponenti funkcije pogreške i težina pridijeljenih slojevima i granicama između slojeva retine.

: Duboko učenje korištenjem YOLO modela za nedestruktivna ispitivanja; Luka Posilović
Nedestruktivno ispitivanje je metoda kojom se pronalaze pukotine i ostale nesavršenosti u materijalima bez njihova uništavanja. Vrlo je važna prilikom ispitivanja konstrukcijskih elemenata u nuklearnim elektranama, ali i mnogim drugim industrijama poput avio industrije i automobilske industrije. Jedna od metoda nedestruktivnog ispitivanja koristi se ultrazvučnim valovima kako bi pronašla pukotine i odredila njihov tip i veličinu. Za potrebe ispitivanje nekog objekta snimi se velika...

: Duboko učenje nad dinamičkim grafovima; Daniel Vusić
Duboko učenje nad dinamičkim grafovima uključuje razne načine rješavanja zadataka koji su postavljeni nad skupom podataka predstavljenim grafom u kontinuiranom vremenu. Klasifikacija čvorova, predikcija veza te još neki zadatci sasvim su novi i specifični izazovi koje metode klasičnog dubokog učenja ne mogu riješiti zbog različitosti podataka. Graf osim značajki čvorova sadrži puno više informacija na temelju njegove topologije, te još više informacija kada se uzme u obzir...

Paginacija