|
|
|
|
| LEADER |
02514na a2200229 4500 |
| 003 |
HR-ZaFER |
| 008 |
160221s2018 ci ||||| m||| 00| 0 hr d |
| 035 |
|
|
|a (HR-ZaFER)ferid6195
|
| 040 |
|
|
|a HR-ZaFER
|b hrv
|c HR-ZaFER
|e ppiak
|
| 100 |
1 |
|
|a Ilić, Ivan
|
| 245 |
1 |
0 |
|a Detekcija i označavanje zuba u panoramskim rendgenskim snimkama pomoću YOLO arhitekture :
|b završni rad /
|c Ivan Ilić ; [mentor Marko Subašić].
|
| 246 |
1 |
|
|a Detection and Classification of Teeth in Panoramic X-ray Images Using YOLO Architecture
|i Naslov na engleskom:
|
| 260 |
|
|
|a Zagreb,
|b I. Ilić,
|c 2018.
|
| 300 |
|
|
|a 23 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: Ovaj rad predstavlja primjenu metoda dubokog učenja na zadatak detekcije i označavanja zuba u panoramskim rendgenskim snimkama. Stomatolozi u svakodnevnom radu obavljaju zadatak procjene zubnog statusa, koji uključuje određivanje svih zuba gornje i donje čeljusti. Korištenjem dubokih konvolucijskih neuronskih mreža, u kombinaciji s nadziranim učenjem, moguće je osposobiti računalo da navedeni zadatak rješava autonomno. Primjenom YOLO arhitekture zadatak lokalizacije pojedinog zuba formaliziramo kao problem regresije, a određivanje klase zuba kao problem klasifikacije. Navedeni model nakon treniranja ostvaruje rezultate od 81,15% u metrici mAP na testnom skupu, te ga osim iznimno dobre preciznosti karakterizira i velika brzina obrade snimki.
|
| 520 |
3 |
|
|a Sažetak na engleskom: This thesis presents the application of deep learning methods for detection and classification of teeth in panoramic X-ray images. In their every day work, dentists perform dental status assessment task, which includes assessment of teeth of upper and lower jaw bone. By using deep convolutional neural networks, combined with supervised learning, it is possible to teach computer to perform this task autonomously. Using YOLO architecture we perform localization of teeth using regression and we determine the class using classification. After training, YOLO model produces mAP score of 81,15% on test set. Besides great precision, it is also characterized with great processing speed.
|
| 653 |
|
1 |
|a YOLO
|a duboko učenje
|a detekcija objekata
|a zubi
|
| 653 |
|
1 |
|a YOLO
|a deep learning
|a object detection
|a teeth
|
| 700 |
1 |
|
|a Subašić, Marko
|4 ths
|
| 942 |
|
|
|c Z
|
| 999 |
|
|
|c 48763
|d 48763
|