Adaptacija domene za semantičku segmentaciju slika

diplomski rad

• Naslov (engleski): Domain adaptation for semantic segmentation
• Autor: Leon Bertol
• Mentor: Siniša Šegvić (mentor)
• Član povjerenstva: Siniša Šegvić (predsjednik povjerenstva)
• Član povjerenstva: Marko Čupić (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: 2023-07-14, Hrvatska

Sažetak

U ovom radu demonstrirali smo dvije različite metode za adaptaciju domene za semantičku segmentaciju prometnih scena. Kao izvorišne, odnosno sintetičke podatke za treniranje, koristili smo skup podataka dobivenih iz GTA5 i CARLA smiulatora. Ciljana domena, odnosno ona nad kojom smo testirali modele, čini skup podataka Cityscapes. Dok prva metoda suparničkim učenjem nastoji ciljanu domenu prilagoditi izvorišnoj, druga metoda prilagođava sam model kako bi dobro generalizirao na ciljanoj domeni koristeći tehnike samostalnog učenja. Kako bismo ispitali i bolje razumjeli što sve ima utjecaj na adaptaciju domene, isprobali smo različite arhitekture, hiperparametre te dopunske metode i usporedili dobivene rezultate.

Sažetak (engleski)

In this paper, we demonstrated two different methods for domain adaptation for semantic segmentation of traffic scenes. As source, or synthetic data for training, we used a set of data obtained from GTA5 and CARLA simulators. The target domain, that is, the one on which we tested the models, is the dataset Cityscapes. While the first method tries to adapt the target domain to the original by adversarial learning, the second method adapts the model itself to generalize well on the target domain using self-learning techniques. In order to examine and better understand what influences domain adaptation, we tried different architectures, hyperparameters and supplementary methods and compared the obtained results.

• Ključne riječi: Adaptacija domene; semanticka segmentacija; transformer; CycleGAN; duboko učenje
• Ključne riječi (engleski): Domain adaptation; semantic segmentation; transformer; CycleGAN; deep learning
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:168:229972
• 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: 2023-10-11 08:26:06