|
|
|
|
| LEADER |
02726na a2200229 4500 |
| 003 |
HR-ZaFER |
| 008 |
160221s2019 ci ||||| m||| 00| 0 hr d |
| 035 |
|
|
|a (HR-ZaFER)ferid6725
|
| 040 |
|
|
|a HR-ZaFER
|b hrv
|c HR-ZaFER
|e ppiak
|
| 100 |
1 |
|
|a Pranjić, Marko
|9 40802
|
| 245 |
1 |
0 |
|a Segmentacija objekata :
|b diplomski rad /
|c Marko Pranjić ; [mentor Tomislav Pribanić].
|
| 246 |
1 |
|
|a Object Segmentation
|i Naslov na engleskom:
|
| 260 |
|
|
|a Zagreb,
|b M. Pranjić,
|c 2019.
|
| 300 |
|
|
|a 31 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: 2019-06-28, datum završetka: 2019-07-16
|
| 520 |
3 |
|
|a Sažetak na hrvatskom: U radu se primjenjuje metoda dubokog učenja za problem segmentacije ljudskog
tijela. Nakon teorijskog uvoda u segmentaciju objekata opisana je metoda rješavanja problema. Korišten je skup podataka Freiburg Sitting People Dataset i arhitektura
mreže temeljena na TernausNet-16 modelu te kombinacija unakrsne entropije i Dice
koeficijenta za funkciju gubitka. Poslije opisa navedene metode prikazani su rezultati provedenog eksperimenta u kojem je dosegnut mIOU od 51.15%, ali i otkriven
problem prenaučenosti na boju obuće. Takod̄er su razmotreni eksperimenti koji su
prethodili odabranoj metodi koji navode na korištenje predtrenirane mreže za koder
segmentacijske mreže. Kao zaključak predlaže se korištenje regularizacije i korištenje
većeg skupa podataka uz bolju raspodjelu primjera po skupovima za učenje, validaciju
i evaluaciju.
|
| 520 |
3 |
|
|a Sažetak na engleskom: In this thesis deep learning is used for solving the problem of human body part
segmentation. After a theoretical introduction to object segmentation, a description of
the used method is given. The chosen dataset which is used is Freiburg Sitting People
Dataset, the network architecture is based on the TernausNet-16 model, and the loss
function is a combination of categorical cross-entropy and Dice coefficient. The next
section shows the result of the experiment in which the mIOU score of 51.15% was
achieved, and the problem of overfitting on shoe color became apparent. Experiments
that led to choosing a pre-trained network for the encoder of the segmentation network
are also discussed. As a conclusion, it is recommended to use regularization and a
larger dataset along with a better split of data among train, validation and evaluation
set.
|
| 653 |
|
1 |
|a duboko učenje
|a segmentacija objekata
|a ljudsko tijelo
|a koder-dekoder arhitektura
|
| 653 |
|
1 |
|a deep learning
|a object segmentation
|a human body
|a encoder-decoder architecture
|
| 700 |
1 |
|
|a Pribanić, Tomislav
|4 ths
|9 19047
|
| 942 |
|
|
|c Y
|
| 999 |
|
|
|c 51514
|d 51514
|