Segmentacija dijelova ljudskog tijela

završni rad

• Naslov (engleski): Human Body Segmentation
• Autor: Tea Kalenski
• Mentor: Tomislav Pribanić (mentor)
• Član povjerenstva: Tomislav Pribanić (predsjednik povjerenstva)
• Član povjerenstva: Kristijan Bartol (član povjerenstva)
• Član povjerenstva: David Bojanić (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2019-09-10, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: TEHNIČKE ZNANOSTI; Računarstvo

Sažetak

Kako bi se lakše razumio problem pa tako i njegovo rješavanje navedene su osnovne razlike između raznih problema računalnog vida kako bismo naglasili složenost i položaj problema klasifikacije i lokalizacije segmentacije. Prikazujemo problem semantičke segmentacije kako bi čitatelj razumio što pokušavamo postići i dobiti iz danih informacija, kako iz običnih slika dobiti vjerojatnosti pripadnosti svakog piksela po jednoj klasi te kako prilagoditi naše podatke kategorizacijom za takve mreže. Analizom konvolucijskih mreža i njihovih operacija dolazimo do konačnog modela kojeg treniramo korištenjem objašnjene funkcije pogreške i evaluiramo korištenjem raznih metrika kao što su IoU i kategorička točnost te demonstriramo još jasniji prikaz rezultata pomoću konfuzijske matrice. Kroz svaki korak je pokazano korištenje biblioteke Keras i javnih python biblioteka za lako praćenje izvedbe. Pokazani su uspješni rezultati i ostavljeno je mjesta za napredak i dublje ulaženje u ovu temu koja u ovom radu čini dobar početak za ulazak u polje računalnog vida računalne znanosti.

Sažetak (engleski)

In order to understand the issue at hand and therefor make it easier to solve we first discus differences and similarities within different computer vision problems so we can make it easier to place the complexity of our semantic segmentation problem that covers classification and localization within this field. We proceed to properly show and visualize our problem so we can understand what exactly are we trying to achieve with given information, how do we get the model to output probabilities for each class for every pixel on our image, and how do we make our data compatible for those nets with categorical shape. By analyzing different convolutional nets, we choose a single architecture that fits our needs and proceed to train it with explained loss function and then evaluate it with different metrics like IoU and categorical accuracy. A simple demonstration of Confusion matrix is also shown so the results are perfectly clear. On every step of the way a Keras and python methods usage is shown so it is easier to follow along. Results are shown with room left to improve and explore. This paper makes a good start for all those interested in the field of computer vision.

• Ključne riječi: Semantička segmentacija; duboko učenje; keras modeli; konvolucijske mreže; višeklasna segmentacija; segmentacija ljudskog tijela
• Ključne riječi (engleski): Semantic segmentation; deep learning; keras models; convolutional networks; multiclass segmentation; human body segmentation
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:168:383387
• 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: 2020-01-07 18:56:50