Rozpoznávání druhu jídla s pomocí hlubokých neuronových sítí
Loading...
Date
Authors
ORCID
Advisor
Referee
Mark
A
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstract
Cieľom tejto práce je naštudovať problematiku hĺbkových konvolučných neurónových sietí a s ňou spojenú klasifikáciou obrázkov, experimentovať s architektúrou zvolenej siete za účelom získania najväčšej presnosti na vybratom dátovom súbore. Práca je rozdelená do dvoch celkov, kde v prvom sú teoreticky priblížené vlastnosti a štruktúra neurónových sietí a stručne popísané zvolené siete. Druhá časť sa zaoberá experimentami s touto sieťou, ako je napr. vplyv rozšírenia dát, veľkosti dávky alebo vplyv vrstiev zahadzovania na presnosť siete. Následne sú všetky výsledky porovnané a diskutované, kde najlepší výsledok dosiahol presnosť 86, 44% na testovacích dátach.
The aim of this thesis is to study problems of deep convolutional neural networks and the connected classification of images and to experiment with the architecture of particular network with the aim to get the most accurate results on the selected dataset. The thesis is divided into two parts, the first part theoretically outlines the properties and structure of neural networks and briefly introduces selected networks. The second part deals with experiments with this network, such as the impact of data augmentation, batch size and the impact of dropout layers on the accuracy of the network. Subsequently, all results are compared and discussed with the best result achieved an accuracy of 86, 44% on test data.
The aim of this thesis is to study problems of deep convolutional neural networks and the connected classification of images and to experiment with the architecture of particular network with the aim to get the most accurate results on the selected dataset. The thesis is divided into two parts, the first part theoretically outlines the properties and structure of neural networks and briefly introduces selected networks. The second part deals with experiments with this network, such as the impact of data augmentation, batch size and the impact of dropout layers on the accuracy of the network. Subsequently, all results are compared and discussed with the best result achieved an accuracy of 86, 44% on test data.
Description
Citation
KUVIK, M. Rozpoznávání druhu jídla s pomocí hlubokých neuronových sítí [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2019.
Document type
Document version
Date of access to the full text
Language of document
sk
Study field
Telekomunikační a informační technika
Comittee
doc. Ing. Vladislav Škorpil, CSc. (předseda)
doc. Ing. Radim Burget, Ph.D. (místopředseda)
Ing. Vojtěch Myška (člen)
doc. Ing. Jiří Schimmel, Ph.D. (člen)
Ing. David Grenar (člen)
Ing. Marek Sikora (člen)
Date of acceptance
2019-06-05
Defence
Student prezentoval výsledky své práce a komise byla seznámena s posudky.
Student obhájil diplomovou práci a odpověděl na otázky členů komise a oponenta.
Co znamená pojem regularizace neuronové sítě?
Jakým způsobem lze pokusy upřesnit?
Jaký mají význam ostré špičky v grafu 3.7?
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení