Hluboké neuronové sítě v rozpoznávání obrazu
Loading...
Date
Authors
ORCID
Advisor
Referee
Mark
B
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract
Neuronové sítě jsou dnes jeden z nejúspěšnějších modelů pro strojové učení. Můžeme je nalézt v autonomínch robotických systémech, v rozpoznávání objektů i řeči, predikci a mnoha jiných odvětvích umělé inteligence. Tato práce seznámí čtenáře s tímto modelem a jeho rozšířením, které se používá pro rozpoznávání objektů. Posléze popisuje aplikaci těchto konvolučních neuronových sítí(CNNs) pro klasifikaci obrazků na datasetech Caltech101 a Cifar-10. Na příkladu této aplikace diskutuje a měří efektivnost různých technik používaných v CNNs. Výsledky ukazují, že tyto sítě jsou bez dalších rozšíření schopné dosáhnout 80\% přesnosti na datasetu Cifar-10 a 37\% přesnosti na datasetu Caltech101.
Neural networks are one of the state-of-the-art models for machine learning today. One may found them in autonomous robot systems, object and speech recognition, prediction and many others AI tasks. The thesis describes this model and its extension which is used in an object recognition. Then explains an application of a convolutional neural networks(CNNs) in an image recognition on Caltech101 and Cifar10 datasets. Using this exemplar application, the thesis discusses and measures efficiency of techniques used in CNNs. Results show that the convolutional networks without advanced extensions are able to reach a 80\% recognition accuracy on Cifar-10 and a 37\% accuracy on Caltech101.
Neural networks are one of the state-of-the-art models for machine learning today. One may found them in autonomous robot systems, object and speech recognition, prediction and many others AI tasks. The thesis describes this model and its extension which is used in an object recognition. Then explains an application of a convolutional neural networks(CNNs) in an image recognition on Caltech101 and Cifar10 datasets. Using this exemplar application, the thesis discusses and measures efficiency of techniques used in CNNs. Results show that the convolutional networks without advanced extensions are able to reach a 80\% recognition accuracy on Cifar-10 and a 37\% accuracy on Caltech101.
Description
Keywords
logistická regrese, nelineární hypotéza, metoda největšího spádu, neuronové sítě, hluboké učení, hluboké neuronové sítě, konvoluční neuronové sítě, rozpoznávání objektů, rozpoznávání obrázků, Caltech101, Cifar-10, logistic regression, non-linear hypothesis, gradient descent, neural networks, deep learning, convolutional neural networks, object recognition, image recognition, Caltech101, Cifar-10
Citation
MUNZAR, M. Hluboké neuronové sítě v rozpoznávání obrazu [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2013.
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
Informační technologie
Comittee
prof. Ing. Jan M. Honzík, CSc. (předseda)
doc. Dr. Ing. Jan Černocký (místopředseda)
doc. Ing. Jan Kořenek, Ph.D. (člen)
Ing. Zbyněk Křivka, Ph.D. (člen)
Ing. Filip Orság, Ph.D. (člen)
Date of acceptance
2013-06-12
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. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm B. Otázky u obhajoby: Zmínil jste se ve zprávě o metodách conjugate gradient, BFGS a L-BFGS. Vysvětlete metodu "conjugate gradient". V sekci 3.2 zmiňujete že kromě "feed-forward" sítí a "recurrent" sítí existuje mnoho dalších architektur. Uvěďte pár příkladů.
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení