|
|
|
|
| LEADER |
03054na a2200229 4500 |
| 003 |
HR-ZaFER |
| 008 |
160221s2016 ci ||||| m||| 00| 0 hr d |
| 035 |
|
|
|a (HR-ZaFER)ferid4192
|
| 040 |
|
|
|a HR-ZaFER
|b hrv
|c HR-ZaFER
|e ppiak
|
| 100 |
1 |
|
|a Čaušević, Denis
|
| 245 |
1 |
0 |
|a Modeliranje supojavljivanja semantičkih oznaka uvjetnim slučajnim poljima :
|b diplomski rad /
|c Denis Čaušević ; [mentor Siniša Šegvić].
|
| 246 |
1 |
|
|a Modelling the Co-Occurrence of Semantic Labels with Conditional Random Fields
|i Naslov na engleskom:
|
| 260 |
|
|
|a Zagreb,
|b D. Čaušević,
|c 2016.
|
| 300 |
|
|
|a 86 str. ;
|c 30 cm +
|e CD-ROM
|
| 502 |
|
|
|b diplomski studij
|c Fakultet elektrotehnike i računarstva u Zagrebu
|g smjer: Računarska znanost, šifra smjera: 56, datum predaje: 2016-07-01, datum završetka: 2016-07-13
|
| 520 |
3 |
|
|a Sažetak na hrvatskom: Uvjetna slučajna polja su diskriminativni probabilistički grafički model strojnog učenja s mnogim primjenama u klasifikaciji strukturiranih podataka. U ovom radu primjenjuju se za rješavanje problema semantičke segmentacije. Ostvarivanje zadovoljavajućih performansi kod semantičke segmentacije zahtijeva modeliranje supojavljivanja semantičkih oznaka. Implementirani sustav modelira spomenute relacije pomoću dva uvjetna slučajna polja. Prvo polje koristi binarne potencijale naučene od strane konvolucijske neuronske mreže za modeliranje dvije vrste susjedstava – „okruženje“ i „iznad/ispod“. Drugo polje je gusto povezano, te koristi Gaussove binarne potencijale definirane nad vektorom boja i pozicijama piksela, kako bi poboljšalo segmentacijski rezultat prethodnog uvjetnog slučajnog polja. Implementirani model evaluiran je na standardnim skupovima u području razumijevanja urbanih prometnih scena (Cityscapes i KITTI).
|
| 520 |
3 |
|
|a Sažetak na engleskom: Conditional random fields are probabilistic discriminative graphical machine learning models with a wide variety of applications for structured prediction. The focus of this paper is their usage for semantic segmentation. Achieving satisfiable semantic segmentation performance requires semantic label co-occurrence modelling. The implemented system models such relations with two conditional random fields. The first one uses binary potentials learned by a convolutional neural network for modelling two types of relations – “surrounding” and “above/below”. The second field is a dense conditional random field with Gaussian binary potentials defined on pixel positions and color vectors. It is used for post-processing the segmentation result of the previous random field. The implemented model is evaluated on publicly available datasets for urban traffic scene understanding (Cityscapes and KITTI).
|
| 653 |
|
1 |
|a konvolucijske neuronske mreže
|a uvjetna slučajna polja
|a metoda srednjeg polja
|a Gaussovi binarni potencijali
|
| 653 |
|
1 |
|a convolutional neural networks
|a conditional random fields
|a mean field approximation
|a Gaussian binary potentials
|
| 700 |
1 |
|
|a Šegvić, Siniša
|4 ths
|
| 942 |
|
|
|c Y
|
| 999 |
|
|
|c 48396
|d 48396
|