Automatické označování obrázků
Automatic Image Labelling
Author
Advisor
Hradiš, MichalReferee
Beran, VítězslavGrade
BAltmetrics
Metadata
Show full item recordAbstract
Tato práce se zabývá automatickým zařazováním obrázků do sémantických tříd na základě jejich obsahu. Hlavně různými způsoby klasifikace založenými na SVM. Hlavním cílem této práce je zlepšit přesnost klasifikace na velkých datových sadách. Práce se zabývá jak lineárními tak i nelineárními SVM klasifikátory a také možností použítí RBM pro transformaci příznaků pro lineární SVM klasifikátory. Dále jsou všechny tyto přístupy srovnány. Srovnává se nejen přesnost, ale i časová náročnost, využití zdrojů a možnosti budoucího pokračování ve výzkumu. This work focuses on automatic classification of images into semantic classes based on their contentc, especially in using SVM classifiers. The main objective of this work is to improve classification accuracy on large datasets. Both linear and nonlinear SVM classifiers are considered. In addition, the possibility of transforming features by Restricted Boltzmann Machines and using linear SVM is explored as well. All these approaches are compared in terms of accuracy, computational demands, resource utilization, and possibilities for future research.
Keywords
zpracování obrazu, strojové učení, SVM, SVM jádra, RBM, SGE, image processing, machine learning, SVM, SVM kernel, RBM, SGELanguage
čeština (Czech)Study brunch
Počítačová grafika a multimédiaComposition of Committee
doc. Dr. Ing. Jan Černocký (předseda) prof. Ing. Tomáš Vojnar, Ph.D. (místopředseda) doc. Mgr. Daniela Chudá, Ph.D. (člen) doc. Ing. Přemysl Kršek, Ph.D. (člen) RNDr. Marek Rychlý, Ph.D. (člen) Ing. Josef Strnadel, Ph.D. (člen)Date of defence
2012-06-18Process of defence
Student nejprve prezentoval výsledky, kterých dosáhl v rámci své práce. Komise se pak seznámila s hodnocením vedoucího a posudkem oponenta práce. Student následně odpověděl na otázky oponenta a na další otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm B. Otázky u obhajoby: Definujte Hessianovu matici. K čemu a proč se používá při zpracování obrazu? Definujte metriky průměrná přesnost (AvgP) a průměrná chybovost (EER) a uveďte relevantní zdroj informací.Result of the defence
práce byla úspěšně obhájenaPersistent identifier
http://hdl.handle.net/11012/53596Source
SÝKORA, M. Automatické označování obrázků [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2012.Collections
- 2012 [213]