Meření podobnosti obrazů s pomocí hlubokého učení
Loading...
Date
Authors
ORCID
Advisor
Referee
Mark
B
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstract
Tato diplomová práce se zabývá výzkumem technologií, využívajících metod hlubokého učení, využitelných při zpracovávání obrazových dat. Konkrétním zaměřením práce je zhodnotit vhodnost a efektivnost hlubokého učení při porovnávání dvou vstupních obrazových dat. První – teoretická – část zahrnuje úvod do problematiky neuronových sítí a hlubokého učení. Obsahuje popis dostupných možností a jejich výhody a principy, vhodné při zpracování obrazových dat. Druhá – praktická – část práce obsahuje návrh vhodného modelu siamských sítí pro řešení problému problematiky porovnávání dvou vstupních obrazů a vyhodnocení jejich podobnosti. Výstupem je zhodnocení několika možných konfigurací modelu a vyzdvihnutí parametrů modelu s nejlepšími výsledky.
This master´s thesis deals with the reseach of technologies using deep learning method, being able to use when processing image data. Specific focus of the work is to evaluate the suitability and effectiveness of deep learning when comparing two image input data. The first – theoretical – part consists of the introduction to neural networks and deep learning. Also, it contains a description of available methods, their benefits and principles, used for processing image data. The second - practical - part of the thesis contains a proposal a appropriate model of Siamese networks to solve the problem of comparing two input image data and evaluating their similarity. The output of this work is an evaluation of several possible model configurations and highlighting the best-performing model parameters.
This master´s thesis deals with the reseach of technologies using deep learning method, being able to use when processing image data. Specific focus of the work is to evaluate the suitability and effectiveness of deep learning when comparing two image input data. The first – theoretical – part consists of the introduction to neural networks and deep learning. Also, it contains a description of available methods, their benefits and principles, used for processing image data. The second - practical - part of the thesis contains a proposal a appropriate model of Siamese networks to solve the problem of comparing two input image data and evaluating their similarity. The output of this work is an evaluation of several possible model configurations and highlighting the best-performing model parameters.
Description
Keywords
Obraz, porovnání, podobnost, dataset, hluboké, učení, umělá, inteligence, strojové, učení, konvoluční, vrstva, konvoluce, sdružování, model, siamská, neuronová, síť, trénování, validace, testování, Keras, TensorFlow, Python, PyCharm, neuron, filtr., Image, comparsion, similarity, dataset, deep, learning, artifical, intelligence, machine, learning, convolutional, layer, convolution, pooling, model, siamese, neuron, network, training, validation, testing, Keras, TensorFlow, Python, PyCharm, neuron, filter.
Citation
ŠTARHA, D. Meření podobnosti obrazů s pomocí hlubokého učení [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2018.
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
Telekomunikační a informační technika
Comittee
prof. Ing. Vladimír Wieser, Ph.D. (předseda)
doc. Ing. Karel Burda, CSc. (místopředseda)
doc. Mgr. Pavel Rajmic, Ph.D. (člen)
Ing. Michal Lares, Ph.D. (člen)
doc. Ing. Vít Novotný, Ph.D. (člen)
Ing. Pavel Bezpalec, Ph.D. (člen)
Date of acceptance
2018-06-06
Defence
Odůvodněte proč větší množství epoch ve Vašem případě vede k horším výsledkům? - student odpověděl správně
Jaké si představujete praktické použití a s jakou přesností by program musel pracovat v jednotlivých reálných případech užití, aby byl použitelný. - student odpověděl dostatečně
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení