| | SLO | ENG | Cookies and privacy

Bigger font | Smaller font

Search the digital library catalog Help

Query: search in
search in
search in
search in
* old and bologna study programme

Options:
  Reset


1 - 10 / 11
First pagePrevious page12Next pageLast page
1.
Uporaba globokega učenja s knjižnico Deeplearning4j na primeru prepoznave obrazov
Grega Vrbančič, 2017, master's thesis

Abstract: V magistrskem delu smo se dotaknili področja globokega učenja, spoznali smo pristope in arhitekture algoritmov globokega učenja ter jih kategorizirali v tri skupine. V nadaljevanju smo podrobneje analizirali knjižnico Deeplearning4j, predstavili osnovne funkcionalnosti ter raziskali njene možnosti za uporabo na področju globokega učenja. V praktičnem delu smo uporabo globokega učenja s knjižnico Deeplearning4j aplicirali na primeru prepoznave obrazov. Implementirali smo dve različici konvolucijskih nevronskih mrež ter dva načina učenja – lokalno ter porazdeljeno učenje.
Keywords: strojno učenje, globoko učenje, Deeplearning4j, prepoznava obraza
Published: 17.10.2017; Views: 444; Downloads: 98
.pdf Full text (7,06 MB)

2.
Napovedovanje odpovedi izdelkov z metodami globokega učenja
Blaž Sašek, 2017, bachelor thesis/paper

Abstract: Diplomsko delo obravnava razvoj in optimizacijo modelov za analizo garancijskih podatkov in napovedovanje odpovedi z metodami globokega učenja. Globoko učenje je redko uporabljeno v tovrstne namene, zato so raziskave na tem področju pomembne, a obenem težavne, saj obstaja manj predhodnih virov, s katerimi si lahko pomagamo. Na drugi strani pa se tehnologija v zadnjih letih razvija izjemno hitro, tako da lahko modele globokega učenja implementiramo tudi brez detajlnega poznavanja vseh elementov globokega učenja, kar je omogočilo razcvet uporabe in aplikacijo globokega učenja na široko paleto problemov. V nalogi smo preizkusili več različnih modelov, od prilagojenega enoslojnega perceptrona do konvolucijske nevronske mreže, in večje število optimizacijskih metod. Z uporabljenimi metodami smo dosegli 30–40-% stopnjo natančnosti, kar odstopa od želene 10-% stopnje napake. Pri tem moramo upoštevati majhen nabor vhodnih podatkov. Metode globokega učenja se ob zastavljenem zahtevnem pogoju niso izkazale kot primerne za uporabo, iz pridobljenih informacij pa zaključujemo, da bodo metode najverjetneje uporabne v prihodnje, ko bo na voljo več podatkov, ki bodo tudi bolj kvalitetni.
Keywords: Garancijski podatki, Strojno učenje, Nevronske mreže, Globoko učenje, Python, Tensorflow
Published: 14.09.2017; Views: 585; Downloads: 120
.pdf Full text (3,16 MB)

3.
Napovedovanje GPS sledi z globokimi nevronskimi mrežami
Jernej 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: 13.12.2018; Views: 398; Downloads: 51
.pdf Full text (9,58 MB)

4.
Prepoznavanje aktivnosti osebe iz zaporedja slik s pomočjo konvolucijskih nevronskih mrež
Mihael Baketarić, 2018, undergraduate thesis

Abstract: V diplomskem delu smo se ukvarjali s prepoznavanjem aktivnosti osebe iz zaporedja slik. Omejili smo se na aktivnosti: stoji, sedi, leži, hitro hodi, počasi hodi in pada. Pregledali smo obstoječe postopke prepoznavanja, pripravili množico podatkov, preučili konvolucijske nevronske mreže in jih uporabili pri reševanju našega problema. Naš algoritem je sestavljen iz dveh korakov: iz izločevanja oseb iz slik in prepoznavanja aktivnosti. Oba koraka smo implementirali z uporabo konvolucijskih nevronskih mrež in analizirali rezultate. Za učenje in testiranje smo uporabili lastno podatkovno zbirko, ki je vsebovala video posnetke 6-ih različnih oseb, ki so izvajali vseh šest aktivnosti. Na veliko slikah oseba ni bila pravilno izločena oz. detektirana, zato se je naša množica podatkov občutno zmanjšala po odstranitvi takšnih slik. Naš postopek smo preverili s 6-kratno navzkrižno validacijo. Povprečna uspešnost prepoznavanja aktivnosti je bila 36 %, kar seveda ni dovolj visoko za realne aplikacije. Ugotavljamo, da se pri rezultatih prepoznavanja aktivnosti močno pozna dejstvo, da v našem postopku nismo upoštevali časovne komponente oz. rezultatov prepoznav na predhodnih slikah.
Keywords: računalniški vid, konvolucijska nevronska mreža, globoko učenje, detekcija oseb, prepoznavanje aktivnosti osebe
Published: 19.10.2018; Views: 326; Downloads: 105
.pdf Full text (1,55 MB)

5.
Detekcija karakterističnih točk na rentgenskih posnetkih glave s pomočjo tehnik globokega učenja
Gašper Sedej, 2018, master's thesis

Abstract: V tem magistrskem delu smo se ukvarjali s sistemom za detekcijo karakterističnih točk na slikovnih podatkih. Izdelali smo splošen sistem za avtomatsko zaznavanje karakterističnih točk, ki smo ga prilagodili za kefalometrične točke na rentgenskih slikah. Kot detektor smo uporabili obstoječo globoko nevronsko mrežo SegNet, ki je namenjena segmentiranju slik. To mrežo smo modificirali za iskanje karakterističnih točk. Novo mrežo smo poimenovali KeypointNet. Izdelali smo tudi sistem za označevanje točk na slikah. Detektor smo učili z učno množico. Na testni množici smo izvedli detekcijo in izmerili napako, ki jo definiramo kot evklidsko razdaljo med napovedano in označeno točko. Testirali smo tudi nabor krmilnih hiperparametrov pri zagonu učenja. Sistem smo testirali na množici 124 kefalometričnih slik velikosti 480 × 360 pikslov, in sicer za nabor 10 izbranih točk. Na vseh slikah smo označili te točke. Slike smo razdelili v učno in testno množico v razmerju približno 75 % in 25 %. Testirali smo 16 naborov hiperparametrov. Za vsak nabor smo izvedli 5 ponovitev učenja. Povprečna napaka v položaju točke na testni množici je bila 2,7 piksla. Testirali smo tudi vpliv dveh hiperparametrov za nadzor učenja. Testi so pokazali, da rahel odklon od priporočenih vrednosti za ta dva hiperparametra nima signifikantnega vpliva na končni rezultat. Dobljeni rezultati so zelo spodbudni. Razvili smo torej napreden sistem na osnovi globokega učenja, ki uspešno detektira karakteristične točke na slikah.
Keywords: globoko učenje, nevronske mreže, kefalometrija, razpoznavanje vzorcev, optimizacija, paralelno izvajanje
Published: 10.01.2019; Views: 386; Downloads: 73
.pdf Full text (5,14 MB)

6.
Sistem strojnega vida za prepoznavo površinskih napak
Marcel Petek, 2019, master's thesis

Abstract: Magistrsko delo podaja pregled metod za propoznavo površinskih napak na obdelovancih. Objekti opazovanja so krmilne tipke, podsklop ohišij v elektroomaricah. Predstavljene bodo tri metode razvrščanja krmilnih tipk v dober in slab razred. Zajemanje slik je bilo opravljeno s pomočjo laboratorijske opreme, saj so elementi opreme višjega cenovnega razreda. Namen magistrske naloge je v bazah slik krmilnih tipk z različnimi metodami prepoznati napake in jih razvrstiti v pripadajoči razred. Zaradi specifičnosti problematike zaznavanja so se metode prilagajale problemu. Uporabili smo metode prepoznave napak na nadzorovan in nenadzorovan način, torej globinsko učenje z uporabo nevronske mreže, avtoenkoderja in klasično pragovno metodo z uporabo različnih detektorjev robov in preglednih tabel. Omenjene globoke metode se dandanes ne uporabljajo v veliki meri za industrijske namene. Metode so se namreč izboljšale do te mere, da veliki koncerni, kot so IBM, Google, Facebook, uporabniku napram preteklim iskalnim nizom v brskalniku predlagajo, kaj naj bi iskal po svetovnem spletu. Za izbiro globokega učenja namesto genetskega ali algoritma rojev delcev smo se odločili izključno zaradi hitre prilagoditve programa na vhodne parametre in razvoja programa od preteklosti, ko je nivo globine nevronskih mrež bila samo ena prikrita plast z enim nevronom, do danes, ko se lahko nivo adaptivno spreminja glede na vhodno problematiko. Dostopni algoritmi za zaznavanje defektov na teksturah, ki smo jih preizkusili v komercialnih paketih (Vision NI), niso bili učinkoviti za detekcijo teh nepravilnosti. To je motivacija za raziskovanje učinkovitosti drugih pristopov in za primerjavo učinkovitosti. S primerjavo metod bomo za nadaljnje raziskovanje izbrali tisto, ki bo dosegla cilj, 95-odstotno stopnjo natančnosti razvrstitve v razreda dober in slab. Začetni cilj razvrstitve smo uspeli dosečti z uporabo globokega učenja nevronskih mrež.
Keywords: avtoenkoder, strojni vid, razvrščanje, globoko učenje, nevronska mreža
Published: 19.02.2019; Views: 456; Downloads: 80
.pdf Full text (5,01 MB)

7.
Uporaba globokega učenja in strojnega vida za prepoznavanje objektov v proizvodnih sistemih
Jernej Hernavs, 2019, master's thesis

Abstract: Delo opisuje nekaj najsodobnejših pristopov reševanja inženirskih problemov z uporabo globokega učenja in predstavlja sistem za zaznavanje okolice v dinamičnem proizvodnem okolju. Algoritmi strojnega učenja ponujajo v kombinaciji z optičnimi senzorji (kamerami) možnost reševanja izjemno kompleksnih problemov, katerim so do sedaj bili kos le ljudje. Avtomatizacija procesov, pretok informacij med stroji in ljudmi ter pametna analiza podatkov s procesiranjem v oblaku, so le nekateri izzivi, ki jih naslavlja Industrija 4.0. Magistrsko delo predstavlja dinamičen sistem strojnega vida, ki ponuja rešitev na področju klasifikacije in lokalizacije poljubnih objektov v proizvodnih sistemih.
Keywords: proizvodni sistemi, strojni vid, globoko učenje, industrija 4.0
Published: 01.03.2019; Views: 298; Downloads: 105
.pdf Full text (3,55 MB)

8.
Globoko učenje in igra dama
Jan Popič, 2019, undergraduate thesis

Abstract: V zaključnem delu smo zasnovali računalniški program AlphaLady, ki se je sposoben naučiti igranja igre dama brez vnosa človeškega znanja. Za dosego tega smo uporabili vzpodbujevalno učenje, drevesno preiskovanje Monte Carlo in globoke konvolucijske mreže za ocenitev posameznih stanj v igri. Predstavili smo programe Alpha Go, AlphaGo Zero in AlphaZero, na podlagi katerih je zasnovan naš program. Opisali smo uporabljeno ogrodje in teoretično ozadje uporabljenih pristopov. Uspelo nam je naučiti 9 različic programa, pri čemer je vsaka naslednja različica enakovredna ali boljša kot prejšnja.
Keywords: umetna inteligenca, globoko učenje, konvolucijska nevronska mreža, drevesno preiskovanje Monte Carlo, vzpodbujevalno učenje, igra dama
Published: 13.11.2019; Views: 115; Downloads: 40
.pdf Full text (749,47 KB)

9.
Priprava učne množice fotografij in njihova klasifikacija z uporabo globokih nevronskih mrež
Bojan Jan Javornik, 2019, undergraduate thesis

Abstract: Cilj diplomske naloge je preizkusiti klasifikacijo slik s pomočjo globokih nevronskih mrež. Odločili smo se za uporabo konvolucijskih nevronskih mrež, saj so najbolj razširjene na področju klasifikacije slik, učne in testno množico pa smo pripravili sami. Modele mreže smo gradili in učili v programskem jeziku Python s pomočjo knjižnice Keras. Opišemo kako smo slike pretvorili v vhode konvolucijske nevronske mreže in kakšne modele smo zgradili. Primernost modelov smo ugotavljali z navzkrižno validacijo, nato pa smo jih preizkusili še na testni množici. Vse rezultate tudi predstavimo in povemo ugotovitve.
Keywords: globoko učenje, konvolucijske nevronske mreže, klasifikacija slik
Published: 11.11.2019; Views: 72; Downloads: 15
.pdf Full text (3,49 MB)

10.
Prepoznavanje aktivnosti osebe iz zaporedja slik z globokimi povratnimi nevronskimi mrežami
David Pintarič, 2019, undergraduate thesis

Abstract: V diplomskem delu se ukvarjamo s problemom prepoznavanja aktivnosti osebe iz zaporedja slik, pri čemer prepoznavo poskušamo izboljšati z upoštevanjem časovne komponente. To dosežemo z uporabo povratnih nevronskih mrež. Omejili smo se na naslednje aktivnosti: oseba ni v ravnovesju, se pripogiba, stoji, sedi, leži, hitro hodi, počasi hodi in pada. Pregledali smo obstoječe postopke prepoznavanja, preučili povratne nevronske mreže, pripravili množico podatkov, zasnovali algoritem, izvedli eksperimente in na koncu analizirali rezultate. Rezultati na 25 označenih videoposnetkih so pri uporabi povratne nevronske mreže pokazali 83,24 % povprečno natančnost pri uporabi tipa zaporedje v vektor in 75,53 % povprečno natančnost pri uporabi tipa zaporedje v zaporedje. Kljub temu da so dobljeni rezultati boljši od tistih, kjer ne upoštevamo časovne komponente, ugotavljamo, da povratne nevronske mreže zaradi računske zahtevnosti niso vedno najboljša izbira.
Keywords: računalniški vid, povratna nevronska mreža, pomnilna celica LSTM, pomnilna celica GRU, globoko učenje, detekcija oseb, prepoznavanje aktivnosti osebe
Published: 23.11.2019; Views: 112; Downloads: 29
.pdf Full text (3,78 MB)

Search done in 0.16 sec.
Back to top
Logos of partners University of Maribor University of Ljubljana University of Primorska University of Nova Gorica