Učenje dubokih konvolucijskih modela na malom broju primjera

završni rad

• Naslov (engleski): Few-shot learning of deep convolutional models
• Autor: Frano Rajič
• Mentor: Siniša Šegvić (mentor)
• Član povjerenstva: Siniša Šegvić (predsjednik povjerenstva)
• Član povjerenstva: Mladen Karan (član povjerenstva)
• Član povjerenstva: Josip Šarić (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2020-07-09, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: TEHNIČKE ZNANOSTI; Računarstvo

Sažetak

Klasifikacija slika je složen problem s mnogim zanimljivim primjenama. Konvolucijske neuronske mreže postigle su vrhunske rezultate u mnogim područjima računalnog vida, posebno u zadacima klasifikacije slika. Međutim, klasični pristupi učenja konvolucijskih modela zahtijevaju ogromne količine označenih podataka za svaki semantički razred. Taj zahtjev smo relaksirali dubokom konvolucijskom sijamskom neuronskom mrežom koja podržava učenje na malom broju primjera. Predloženi model se temelji na dubokim korespondencijskim ugrađivanjima koja primjerke istih semantičkih razreda preslikava u kompaktnu regiju mnogostrukosti najapstraktnije latentne reprezentacije. Prikazani su rezultati modela treniranog na Omniglot skupu podataka.

Sažetak (engleski)

Image classification is a complex problem with many interesting applications. Convolutional neural networks have achieved superior results in many areas of computer vision, especially in image classification tasks. However, classical approaches to learning convolutional models require huge amounts of labeled data for each semantic class. We relaxed this requirement with a deep convolutional Siamese neural network that supports learning from a small number of examples. The proposed model is based on deep correspondence embeddings that map specimens of the same semantic classes into a compact region of multiplicity of the most abstract latent representation. The results of the model trained on the Omniglot dataset are presented.

• Ključne riječi: sijamske neuronske mreže; učenje na malom broju primjera; učenje u jednom pokušaju; duboki konvolucijski modeli
• Ključne riječi (engleski): Siamese neural networks; one-shot learning; deep convolutional models
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:168:109431
• 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: 2023-01-14 09:48:43