1. Razpoznava drevesnih vrst iz oblakov točk z uporabo globokih nevronskih mrež : magistrsko deloVid Topolovec Klemenčič, 2024, master's thesis Abstract: V magistrskem delu obravnavamo razpoznavo drevesnih vrst iz oblakov točk z uporabo novejših nevronskih mrež in primerjamo uspešnost razpoznave s sorodnimi deli. Razpoznavo smo zasnovali na dva različna načina. Pri prvem načinu smo izbrali in pripravili nevronsko mrežo za obdelavo 3D podatkov oz. oblakov točk, medtem ko smo pri drugem načinu izbrali in pripravili nevronsko mrežo za obdelavo 2D podatkov oz. slik. Pripravili smo tudi skupno podatkovno zbirko z združitvijo prosto dostopnih zbirk, ki vsebujejo posamezna drevesa v obliki oblakov točk, in med učenjem obogatili podatke. Po zaključenem učenju s pripravljeno skupno podatkovno zbirko nismo dosegli podobnih zaključkov kot v primerjanem predhodnem delu. V našem primeru je izbrana nevronska mreža, namenjena obdelavi 3D podatkov, dosegla 4 % višjo skupno točnost od izbrane nevronske mreže, ki je obdelovala 2D podatke.
Keywords: globoke nevronske mreže, klasifikacija drevesnih vrst, 3D oblaki točk, 2D slike, obogatitev podatkov
Published in DKUM: 01.07.2024; Views: 155; Downloads: 67
 Full text (16,54 MB)
This document has many files! More... |
2. Hibridno priporočanje vrstilcev univerzalne decimalne klasifikacije : doktorska disertacijaMladen Borovič, 2023, doctoral dissertation Abstract: V doktorski disertaciji predlagamo hibridni pristop za priporočanje vrstilcev univerzalne decimalne klasifikacije (UDK) za elektronske dokumente, ne glede na globino hierarhije UDK. Razvit hibridni pristop priporočanja vrstilcev UDK temelji na metodah vsebinskega filtriranja in uporablja strukturirane metapodatke v slovenskem jeziku za klasifikacijo področja znanosti in priporočanje ustreznih vrstilcev. Ker se dokumenti pogosto nanašajo na več področij znanosti, mora biti pristop sposoben identificirati interdisciplinarnost in vrniti več ustreznih vrstilcev UDK. Predlagani hibridni pristop uporablja kaskadno hibridizacijo in je razdeljen na dva kaskadna koraka. Najprej z rangirno funkcijo BM25 zagotovimo začetni seznam vrstilcev UDK. V prvem kaskadnem koraku začetni seznam vrstilcev UDK preuredimo s seznamom, ki je rezultat večznačnega klasifikatorja. Večznačni klasifikator temelji na globoki nevronski mreži BERT in je prilagojen na hierarhično topologijo UDK. V drugem kaskadnem koraku s pomočjo seznama najbolj pogostih vrstilcev UDK v organizaciji, iz katere izvira dokument, preuredimo seznam iz prvega koraka. Za kaskadno hibridizacijo se izvedejo postopki naknadne obdelave, ki preuredijo sezname priporočil glede na vrhnje področje in glede na specifičnost, omogočajo pa tudi rezanje seznama. Disertacija vključuje vrednotenje na množici zaključnih del v slovenskem jeziku, ki so del repozitorijev slovenskih univerz in že imajo ročno določene vrstilce UDK s strani knjižničarjev. Na testni množici dokumentov s predlaganano metodo po metriki HR@K dosežemo povprečne vrednosti 0,574 (K = 1), 0,869 (K = 3) in 0,892 (K = 5). Po metriki NDCG@K dosežemo povprečne vrednosti 0,993 (K = 1), 0,921 (K = 3) in 0,916 (K = 5), po metrikah MRR in MAP pa povprečne vrednosti vrednosti 0,782 (MRR) in 0,785 (MAP). V primerjavi z obstoječimi pristopi pokažemo, da uporaba predlaganega pristopa vodi v statistično značilne izboljšave.
Keywords: hibridni priporočilni sistemi, univerzalna decimalna klasifikacija, vsebinsko filtriranje, globoke nevronske mreže, obdelava naravnega jezika
Published in DKUM: 04.01.2024; Views: 579; Downloads: 140
Full text (1,86 MB) |
3. Kombiniranje modelov razvrščanja vzorcev za razpoznavanje čustvenih izrazov iz posnetkov obraza v nekontroliranem okolju : diplomsko deloJuš Osojnik, 2023, undergraduate thesis Abstract: V tem delu smo se ukvarjali z razpoznavanjem čustvenih izrazov v nekontroliranem okolju.
Uporabljali smo metodo prenosnega učenja, kjer smo učili arhitekture konvolucijskih nevronskih mrež: EfficientNetB0, ResNet50, DenseNet121, InceptionV3 in Xception, na naboru podatkovnih zbirk FER-2013, AffectNet, AFEW/SFEW in Aff-Wild2. Modele smo nato kombinirali na osnovi rezultatov z metodama povprečenja in glasovanja. Modele smo kombinirali tudi na osnovi izluščenih značilnic. Uspešnost modelov smo merili po metrikah natančnosti in ocene F1. Na podatkovni zbirki FER-2013 smo dosegli najboljšo natančnost 72 %, na zbirkah AffectNet 67 %, AFEW/SFEW 47 % in Aff-Wild2 52 % natančnost. Z našimi rezultati smo se približali najuspešnejšim raziskavam, ki so na posameznih podatkovnih zbirkah dosegle natančnosti: FER-2013 77 %, AffectNet 67 %, AFEW/SFEW 54 % in Aff-Wild2 52 %.
Keywords: prepoznavanje čustvenih izrazov, slike obrazov, globoke nevronske mreže, modelno združevanje, ekstrakcija značilnic, okolje Keras
Published in DKUM: 13.10.2023; Views: 512; Downloads: 60
Full text (4,01 MB) |
4. |
5. Napovedovanje verjetnosti neplačila z nevronskimi mrežamiUrban Rajter, 2021, master's thesis Abstract: Umetna inteligenca se nanaša na teorijo in razvoj računalniških sistemov, ki lahko opravljajo naloge, ki običajno zahtevajo človeško inteligenco. Podskupina strojnega učenja je globoko učenje, kjer se umetne nevronske mreže, algoritmi, ki jih navdihujejo človeški možgani, učijo iz velikih količin podatkov. Podobno, kot se ljudje učimo iz izkušenj, bi algoritem globokega učenja večkrat ponovil isto nalogo in jo vsakič nekoliko prilagodil, da bi izboljšal rezultat. V tej magistrski nalogi so predstavljene nevronske mreže, tipi nevronskih mrež in njihova uporaba. Podrobneje je opisana uporaba nevronskih mrež za namene napovedovanja verjetnosti neplačila. Uporabljen je model globoke nevronske mreže na anonimiziranih podatkih podjetja. Opisan je postopek priprave podatkov in postopek učenja modela na vhodnih podatkih. Analiza končnega rezultata pove, da je uporaba nevronskih mrež smiselna, saj algoritem nudi visoko natančnost.
Keywords: strojno učenje, nevronske mreže, globoko učenje, globoke nevronske mreže, kreditno tveganje
Published in DKUM: 02.08.2021; Views: 1613; Downloads: 195
Full text (1,95 MB) |
6. Napovedovanje GPS sledi z globokimi nevronskimi mrežamiJernej Borlinić, 2018, master's thesis Abstract: Metode strojnega učenja vse bolj prodirajo v vsa področja modernega gospodarskega in raziskovalnega okolja. Obstoječi algoritmi dosegajo vrhunske rezultate pri nalogah kot so prepoznavanje slik, razumevanje besedil in govora ipd. Avtomatizirane rešitve takšnih nalog so še nedavno veljale za nedosegljive. V tej magistrski nalogi pregledamo najpopularnejše globoke nevronske mreže, iz njih sestavljene modele in njihove načine učenja.
S pridobljenim znanjem in večkratnim testiranjem v drugem delu, razvijemo model globoke nevronske mreže za napovedovanje GPS sledi. Osnovno testiranje modela poteka na lastnem naboru sintetično ustvarjenih podatkov. Dva najuspešnejša modela v nadaljevanju učimo s pomočjo izbranih realnih podatkov pridobljenih od podjetja GoOpti d. o. o. Končni izpopolnjen model pa učimo z razširjenim naborom realnih podatkov. V magistrski nalogi so opisani izbira in implementacija modela, način učenja, ustvarjanje in pridobivanje naborov podatkov in pridobljeni rezultati.
Keywords: Strojno učenje, globoko učenje, globoke nevronske mreže, povratne nevronske mreže.
Published in DKUM: 13.12.2018; Views: 2677; Downloads: 161
Full text (9,58 MB) |
7. Kategorizacija in detekcija sprememb v radarskih slikah sar z uporabo algoritma globokega učenjaAleš Obal, 2018, master's thesis Abstract: V magistrskem delu je opisan postopek kategorizacije in detekcije sprememb v radarskih slikah SAR z uporabo konvolucijske nevronske mreže, tako imenovane »Deep Learning«. V ta namen je bil izdelan program v Matlab programskem okolju, ki je sposoben izrezati SAR radarsko sliko na poljubne manjše dele, ustvariti konvolucijsko nevronsko mrežo, jo naučiti ter uporabiti pri klasifikaciji in detekciji predelov površja na Zemlji. Programu je dodana tudi opcija uporabe grafično procesne enote »GPU« za pohitritev učenja konvolucijskih nevronskih mrež.
Keywords: SAR, kategorizacija slik, detekcija sprememb v sliki, globoke nevronske mreže, paralelno procesiranje
Published in DKUM: 09.02.2018; Views: 1739; Downloads: 213
Full text (4,20 MB) |
