Automatska segmentacija računa pomoću dubokog učenja

Sažetak na hrvatskom: U ovom radu smo definirali osnove dubokog učenja i računalnog vida. Primjenili smo znanje na zadatak segmentiranja računa. Za izvedbu smo računalno generirali veliku količinu umjetnih računa. Nad njima smo trenirali neuronsku mrežu za prepoznavanje i klasificiranje podataka sa...

Full description

Permalink: http://skupni.nsk.hr/Record/fer.KOHA-OAI-FER:49449/Details
Glavni autor: Mesar, Antun (-)
Ostali autori: Subašić, Marko (Thesis advisor)
Vrsta građe: Drugo
Impresum: Zagreb, A. Mesar, 2018.
Predmet:
LEADER 02061na a2200229 4500
003 HR-ZaFER
008 160221s2018 ci ||||| m||| 00| 0 hr d
035 |a (HR-ZaFER)ferid6263 
040 |a HR-ZaFER  |b hrv  |c HR-ZaFER  |e ppiak 
100 1 |a Mesar, Antun 
245 1 0 |a Automatska segmentacija računa pomoću dubokog učenja :  |b završni rad /  |c Antun Mesar ; [mentor Marko Subašić]. 
246 1 |a Automatic Segmentation of Receipts Using Deep Learning  |i Naslov na engleskom:  
260 |a Zagreb,  |b A. Mesar,  |c 2018. 
300 |a 21 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: U ovom radu smo definirali osnove dubokog učenja i računalnog vida. Primjenili smo znanje na zadatak segmentiranja računa. Za izvedbu smo računalno generirali veliku količinu umjetnih računa. Nad njima smo trenirali neuronsku mrežu za prepoznavanje i klasificiranje podataka sa slike. Koristili smo već gotovu mrežu dostupnu preko tensorflow object detection API-a. Evaluaciju smo provodili putem tensoboarda. Na kraju smo isprobali model na stvarnom računu. 
520 3 |a Sažetak na engleskom: In this work we defined the basics of deep learning and computer vision.We used that knowlage on our task of segmenting recepies. We implemented a recepie generator , because we needed a large database. We trained a localization and clasification neural network on the database. For the network we used a predefined network by Google's tensorflow object detection API. The evaluation aspect was done by tensorboard. Finally we tested our model on a real world recepie. 
653 1 |a generiranje podataka, duboko učenje, računalni vid, tensorflow, Single Shot MultiBoxDetector, tensorboard 
653 1 |a generated dataset, deep learning, computervision, tensorflow, Single Shot MultiBox Detector, tensorboard 
700 1 |a Subašić, Marko  |4 ths 
942 |c Z 
999 |c 49449  |d 49449