Utjecaj skupa za učenje na kvalitetu semantičke segmentacije

diplomski rad

• Naslov (engleski): Influence of the training data to the quality of the semantic segmentation
• Autor: Nikola Munđer
• Mentor: Siniša Šegvić (mentor)
• Član povjerenstva: Siniša Šegvić (predsjednik povjerenstva)
• Član povjerenstva: Zoran Kalafatić (član povjerenstva)
• Član povjerenstva: Marko Čupić (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2016-03-03, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: TEHNIČKE ZNANOSTI; Računarstvo

Sažetak

Za semantičku segmentaciju prirodnih scena moguć je pristup korištenja konvolucijskih neuronskih mreža. Mreža koristi skupove za učenje u kojem se nalaze semantičke oznake koje su ručno označene.
Na kvalitetu ovakve izvedbe automatizirane semantičke segmentacije utječu skupovi za učenje. Sustav pokazuje bolje rezultate učenjem na većem skupu podataka, pa se kao ideja za povećanje skupa za učenje nameće njegovo umjetno povećanje ili izmjena.
Ovaj rad sadrži veći broj mjerenja koji ispituje utjecaj veličine skupa za učenje, utjecaj geometrijskih transformacija koje umjetno povećavaju skup i binarnu klasifikaciju. Rezultati su pokazali da je umjetno povećanje skupa izvedivo i da pozitivno utječe na točnost. Binarna klasifikacija je pokazala vrlo dobre rezultate, ali je očito stvorila problem klasificiranja samo jednog semantičkog razreda.
Podaci koji su korišteni pri mjerenju su izdvojeni iz skupa KITTI koji je naveden u literaturi.

Sažetak (engleski)

Semantic segmentation of natural scenes can be implemented using convolutional neural networks. The network uses a dataset for learning and contains semantic labels which are manually labelled.
The quality of the performance for automated semantic segmentation is affected with datasets for learning. The system shows better results by learning on a larger dataset, so as a result, there is idea to artificially increase the dataset for learning or modificate it.
This thesis contains a larger number of measurements which examines the impact of the size of a dataset for learning, the impact of geometric transformations that artificially increase the collection and binary classification. The results showed that the artificially increase of the dataset is realizable and has positive influence on the accuracy. Binary classification showed very good results, but is obviously created a problem of classifying a single semantic class.
The data used in the measurement is obtained from the KITTI dataset of pictures and is listed in the literature.

• Ključne riječi: računalni vid; neuronske mreže; konvolucijske mreže; duboko učenje; semantička segmentacija; geometrijske transformacije; binarna klasifikacija
• Ključne riječi (engleski): computer vision; neural networks; convolutional networks; deep learning; semantic segmentation; geometric transformations; binary classification
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:168:035867
• 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: 2018-02-06 10:50:50