Implementace autoenkodéru pro zpracování obrazových dat

Abstract

Práce se věnuje rešerši problému detekce anomálií v průmyslové inspekci. V práci je popsána umělá neuronová síť a její jednotlivé části. Práce obsahuje kapitolu, kde jsou srovnány unární, binární a multi-class klasifikátory. Dále je v práci vysvětlena architektura konvolučních neuronových sítí a architektura sítí typu autoenkodér. Poté je v práci popsán vytvořený anotovaný dataset. Nakonec je v práci popsána implementace konvolučního autoenkodéru a zhodnocena kvalita klasifikace.

The paper is devoted to the research of the problem of anomaly detection in industrial inspection. The paper describes the artificial neural network and its parts. The thesis contains a chapter where unary, binary and multi-class classifiers are compared. The thesis then explaines architecture of convolutional neural networks and autoencoder neural networks.. Then the paper describes the annotated dataset created. Finally, the paper describes the implementation of the convolutional autoencoder and evaluates the classification quality.