|
|
|
|
| LEADER |
02951na a2200229 4500 |
| 003 |
HR-ZaFER |
| 008 |
160221s2018 ci ||||| m||| 00| 0 hr d |
| 035 |
|
|
|a (HR-ZaFER)ferid6267
|
| 040 |
|
|
|a HR-ZaFER
|b hrv
|c HR-ZaFER
|e ppiak
|
| 100 |
1 |
|
|a Borac, Antonio
|
| 245 |
1 |
0 |
|a Klasifikacija slika dubokim konvolucijskim modelima s rezidualnim vezama :
|b završni rad /
|c Antonio Borac ; [mentor Siniša Šegvić].
|
| 246 |
1 |
|
|a Image Classification With Deep Convolutional Models With Residual Connections
|i Naslov na engleskom:
|
| 260 |
|
|
|a Zagreb,
|b A. Borac,
|c 2018.
|
| 300 |
|
|
|a 30 str. ;
|c 30 cm +
|e CD-ROM
|
| 502 |
|
|
|b preddiplomski studij
|c Fakultet elektrotehnike i računarstva u Zagrebu
|g smjer: Računarska znanost, šifra smjera: 41, datum predaje: 2018-06-15, datum završetka: 2018-07-13
|
| 520 |
3 |
|
|a Sažetak na hrvatskom: Klasifikacija slika prirodnih scena je neriješen problem računalnog vida s mnogim zanimljivim primjenama. U posljednje
vrijeme najbolji rezultati u tom području postižu se pristupima utemeljenima na dubokim konvolucijskim modelima. Za ovaj rad posebno su zanimljivi nadzirani pristupi gdje je svaka slika skupa za učenje označena semantičkim razredima objekata koje slika sadrži.
U okviru rada, bilo je potrebno proučiti dokumentacije programskih okvira Tensorflow i PyTorch te biblioteke programskog jezika Python za rukovanje matricama i slikama. Izrađena je izvedba programskog sustava za učenje i primjenu klasifikacijskog modela. Evaluiran
je utjecaj rezidualnih veza na točnost modela. Detaljno su analizirane konvolucijske mreže u okviru dubokog učenja. Prikazani su i ocijenjeni ostvareni rezultati i predložene izmjene za poboljšanje rezultata.
|
| 520 |
3 |
|
|a Sažetak na engleskom: Image classification of natural scenes is an unsolved problem of computer vision with many interesting applications. Recently,
approaches with deep convolutional models achieve best results in that area. For this paper were specially interesting supervised approaches where every image from training set is labeled with semantic classes of objects which image contains.
In this paper documentations of programming frameworks Tensorflow and PyTorch for matrix and image handling were studied. Implementation of programming system for learning and application of classification model have been done. Implact of
residual connections on model accuracy have been evaluated. Convolutional networks were deeply analized in context of deep learning. Achieved results have been shown and evaluated and suggestions for classification accuracy improvment have been provided.
|
| 653 |
|
1 |
|a strojno učenje
|a klasifikacija slika
|a duboki konvolucijski rezidualni modeli
|a neuronske mreže
|a CIFAR10
|a MNIST
|a PyTorch
|a Tensorflow
|
| 653 |
|
1 |
|a machine learning
|a image classification
|a deep convolutional residual models
|a neural networks
|a CIFAR10
|a MNIST
|a PyTorch
|a Tensorflow
|
| 700 |
1 |
|
|a Šegvić, Siniša
|4 ths
|
| 942 |
|
|
|c Z
|
| 999 |
|
|
|c 48181
|d 48181
|