Utjecaj skupa za učenje na kvalitetu semantičke segmentacije

Munđer, Nikola

prikaz prve stranice dokumenta Utjecaj skupa za učenje na kvalitetu semantičke segmentacije

No public access

master's thesis

Utjecaj skupa za učenje na kvalitetu semantičke segmentacije

Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing, 2016. urn:nbn:hr:168:035867

Munđer, Nikola

University of Zagreb
Faculty of Electrical Engineering and Computing

Cite this document

APA 6th Edition

Munđer, N. (2016). Utjecaj skupa za učenje na kvalitetu semantičke segmentacije (Master's thesis). Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing. Retrieved from https://urn.nsk.hr/urn:nbn:hr:168:035867

MLA 8th Edition

Munđer, Nikola. "Utjecaj skupa za učenje na kvalitetu semantičke segmentacije." Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2016. https://urn.nsk.hr/urn:nbn:hr:168:035867

Chicago 17th Edition

Harvard

Munđer, N. (2016). 'Utjecaj skupa za učenje na kvalitetu semantičke segmentacije', Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, accessed 18 November 2024, https://urn.nsk.hr/urn:nbn:hr:168:035867

Vancouver

Munđer N. Utjecaj skupa za učenje na kvalitetu semantičke segmentacije [Master's thesis]. Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing; 2016 [cited 2024 November 18] Available at: https://urn.nsk.hr/urn:nbn:hr:168:035867

IEEE

N. Munđer, "Utjecaj skupa za učenje na kvalitetu semantičke segmentacije", Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, Zagreb, 2016. Available at: https://urn.nsk.hr/urn:nbn:hr:168:035867

Cite this item: https://urn.nsk.hr/urn:nbn:hr:168:035867

Please login to the repository to save this object to your list.

Metadata

Title	Utjecaj skupa za učenje na kvalitetu semantičke segmentacije
Title (english)	Influence of the training data to the quality of the semantic segmentation
Author	Nikola Munđer
Mentor	Siniša Šegvić (mentor)
Committee member	Siniša Šegvić (predsjednik povjerenstva)
Committee member	Zoran Kalafatić (član povjerenstva)
Committee member	Marko Čupić (član povjerenstva)
Granter	University of Zagreb Faculty of Electrical Engineering and Computing Zagreb
Defense date and country	2016-03-03, Croatia
Scientific / art field, discipline and subdiscipline	TECHNICAL SCIENCES Computing
Abstract	Za semantičku segmentaciju prirodnih scena moguć je pristup korištenja konvolucijskih neuronskih mreža. Mreža koristi skupove za učenje u kojem se nalaze semantičke oznake koje su ručno označene. Na kvalitetu ovakve izvedbe automatizirane semantičke segmentacije utječu skupovi za učenje. Sustav pokazuje bolje rezultate učenjem na većem skupu podataka, pa se kao ideja za povećanje skupa za učenje nameće njegovo umjetno povećanje ili izmjena. Ovaj rad sadrži veći broj mjerenja koji ispituje utjecaj veličine skupa za učenje, utjecaj geometrijskih transformacija koje umjetno povećavaju skup i binarnu klasifikaciju. Rezultati su pokazali da je umjetno povećanje skupa izvedivo i da pozitivno utječe na točnost. Binarna klasifikacija je pokazala vrlo dobre rezultate, ali je očito stvorila problem klasificiranja samo jednog semantičkog razreda. Podaci koji su korišteni pri mjerenju su izdvojeni iz skupa KITTI koji je naveden u literaturi.
Abstract (english)	Semantic segmentation of natural scenes can be implemented using convolutional neural networks. The network uses a dataset for learning and contains semantic labels which are manually labelled. The quality of the performance for automated semantic segmentation is affected with datasets for learning. The system shows better results by learning on a larger dataset, so as a result, there is idea to artificially increase the dataset for learning or modificate it. This thesis contains a larger number of measurements which examines the impact of the size of a dataset for learning, the impact of geometric transformations that artificially increase the collection and binary classification. The results showed that the artificially increase of the dataset is realizable and has positive influence on the accuracy. Binary classification showed very good results, but is obviously created a problem of classifying a single semantic class. The data used in the measurement is obtained from the KITTI dataset of pictures and is listed in the literature.
Keywords
Keywords (english)
Language	croatian
URN:NBN	urn:nbn:hr:168:035867
Study programme	Title: Computing Study programme type: university Study level: graduate Academic / professional title: magistar/magistra inženjer/inženjerka računarstva (magistar/magistra inženjer/inženjerka računarstva)
Type of resource	Text
File origin	Born digital
Access conditions	Closed access
Terms of use
Public note
Repository	FER Repository
Created on	2018-02-06 10:50:50