| | 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 / 19
First pagePrevious page12Next pageLast page
1.
Razvoj sistema za prepoznavanje obrazov
Nejc Čelik, 2023, master's thesis

Abstract: V magistrskem delu smo opisali problem razvoja sistemov za prepoznavanje obrazov. Sistemi za prepoznavanje obrazov morajo poleg ločevanja med obrazi različnih oseb za mnoge primere uporabe, kot je na primer kontrola dostopa, biti sposobni ločiti med resničnimi in lažnimi obrazi (npr. natisnjena fotografija). Brez sposobnosti zaznave lažnih obrazov imajo sistemi za prepoznavanje obrazov veliko ranljivost z vidika varnosti. Predstavili smo moderne tehnologije strojnega učenja, ki omogočajo izdelavo modelov za 2D prepoznavanje obrazov in prepoznavanje lažnih obrazov. Poleg tehnologij smo predstavili tudi proces razvoja modela za prepoznavanje obrazov z omejeno količino podatkov brez uporabe etično vprašljivih podatkovnih množic in proces razvoja modela za prepoznavanje lažnih obrazov.
Keywords: prepoznavanje obrazov, konvolucijske nevronske mreže, razvoj sistemov
Published in DKUM: 22.11.2023; Views: 239; Downloads: 27
.pdf Full text (4,21 MB)

2.
Kombiniranje več modelov razvrščanja vzorcev na primeru ocenjevanja starosti osebe iz digitalnih posnetkov : diplomsko delo
Tadej Horvat, 2023, undergraduate thesis

Abstract: V tej diplomski nalogi se ukvarjamo s kombiniranjem različnih prosto dostopnih modelov konvolucijskih nevronskih mrež za reševanje problema ocenjevanja starosti oseb iz digitalnih posnetkov. Naš cilj je bil implementirati ansambelske metode, ki so bolj uspešne od vsakega posameznega modela v našem ansamblu. Kombinirali smo pet osnovnih modelov konvolucijskih nevronskih mrež, in sicer Xception, ResNet152V2, InceptionV3, InceptionResNetV2 in EfficientNetV2B0. Modele smo kombinirali na nivoju rezultatov in na nivoju značilnic, pri čemer smo implementirali štiri metode kombiniranja na nivoju rezultatov in pet metod kombiniranja na nivoju značilnic. Za učenje posameznih modelov in testiranje metod smo uporabili bazo podatkov UTKFace. Najboljši rezultat smo dosegli z metodo večslojnega »stackinga«, in sicer srednjo absolutno napako 4,526 let nad našo testno množico. Rezultat le malenkost zaostaja za rezultati najboljših sodobnih metod ocenjevanja starosti iz digitalnih posnetkov.
Keywords: ocenjevanje starosti oseb, konvolucijske nevronske mreže, ansambelsko učenje
Published in DKUM: 05.10.2023; Views: 200; Downloads: 10
.pdf Full text (1,75 MB)

3.
Samodejna razpoznava značilnosti oči s strojnim učenjem na podlagi manjše učne množice : magistrsko delo
Gregor Horvat, 2023, master's thesis

Abstract: V magistrskem delu sta opisani zasnovi dveh pristopov strojnega učenja za razpoznavo značilnosti v človeškem očesu na podlagi majhne učne množice. Implementirani sta dve tehniki; semantična segmentacija in lokalizacija. Obe rešitvi delujeta na osnovi konvolucijskih nevronskih mrež in iz digitalnih fotografij očes razpoznata položaj zenice, zunanjo obrobo šarenice ter barvo le-te. Problem omejene učne množice smo naslovili z uporabo več tehnik obogatitve učne množice na podlagi obstoječih učnih podatkov. Najboljše rezultate je dosegla segmentacijska nevronska mreža, tehnike obogatitve učne množice pa so se izkazale za nepogrešljive pri učenju na majhni učni množici.
Keywords: konvolucijske nevronske mreže, semantična segmentacija, lokalizacija, obogatitev učne množice
Published in DKUM: 13.03.2023; Views: 518; Downloads: 96
.pdf Full text (6,03 MB)

4.
Storitev interaktivnega spremljanja avdiovizualnih vsebin v okolju IPTV : master's thesis
Luka Banfi, 2022, master's thesis

Abstract: V magistrskem delu je opisana teoretična zasnova celostne kontekstno prožene interaktivne storitve IPTV, pri kateri imajo uporabniki možnost izražanja, oz. pridajanja različnih čustvenih simbolov v okviru mikro družabnih omrežij ob skupinskem ogledu vsebin IPTV. Opisana storitev se vsebinsko osredotoča na nogomet, saj gre za enega od najpopularnejših športov, ki je zelo priljubljen med uporabniki IPTV. Pri implementaciji praktičnega dela smo se osredotočili na implementacijo uporabniškega vmesnika in komunikacije med strežnikom in odjemalci.
Keywords: IPTV, interaktivnost, konvolucijske nevronske mreže
Published in DKUM: 25.01.2023; Views: 509; Downloads: 52
.pdf Full text (3,56 MB)

5.
Orodje za ročno ali avtomatsko reševanje ugank nurikabe : magistrsko delo
Kristjan Žagar, 2022, master's thesis

Abstract: V magistrskem delu smo raziskali področje reševanja ugank nurikabe. Implementirali smo algoritem za učinkovito reševanje in prikazali, zakaj je to izjemno težko za človeka kot za računalnik. Dan problem je NP-poln, kar pomeni, da ne obstaja algoritem, ki bi našel rešitev v polinomskem času. Za reševanje ugank smo izdelali namizno orodje v ogrodju .NET, s pomočjo WPF-ja ter programskega jezika C# in spletno aplikacijo s pomočjo tehnologij MongoDB, Node.js in Angular. Uganke lahko rešujemo samostojno, pri čemer lahko zaprosimo program, da nam da nasvet ali pa če obupamo, polje reši namesto nas. Raziskali in implementirali smo tudi reševanja nurikabe ugank s pomočjo nevronskih mrež. Naša orodja in algoritem smo ovrednotili tako kvalitativno kot tudi kvantitativno na naključno izbranih primeri nurikabe polj. Na osnovi rezultatov lahko trdimo, da naš algoritem deluje učinkovito in orodji ponujata primerno uporabniško izkušnjo.
Keywords: nurikabe, aplikacija windows, spletna aplikacija, konvolucijske nevronske mreže
Published in DKUM: 26.10.2022; Views: 492; Downloads: 111
.pdf Full text (3,23 MB)

6.
Razpoznavanje drevesnih značilnosti iz fotografije s pomočjo konvolucijskih nevronskih mrež : diplomsko delo
Žan Hozjan, 2022, undergraduate thesis

Abstract: V diplomskem delu implementiramo sistem za razpoznavanje drevesnih značilnosti iz fotografije. Sistem v obliki mobilne aplikacije omogoča zajem fotografije drevesa in razpoznavo drevesnih značilnosti na zajeti fotografiji. Na podlagi razpoznanih značilnosti ter podane razdalje med drevesom in mobilno napravo sistem oceni višino in biomaso drevesa ter količino ogljika, ki ga vsebuje. V mobilni aplikaciji je moč nastale zapise med seboj primerjati, ter tako spremljati rast drevesa. Tekom diplomskega dela opišemo zgradbo sistema, razložimo delovanje posameznih funkcij in podamo rezultate.
Keywords: razpoznavanje drevesnih značilnosti, konvolucijske nevronske mreže, računalniški vid, TensorFlow, mobilno računalništvo, postavitev strežniške arhitekture, odjemalec-strežnik
Published in DKUM: 24.10.2022; Views: 550; Downloads: 48
.pdf Full text (6,33 MB)
This document has many files! More...

7.
Uporaba umetne inteligence za preslikavo človeškega gibanja v 3D modele : magistrsko delo
Primož Stopar, 2022, master's thesis

Abstract: V magistrskem delu smo predstavili uporabo umetne inteligence za preslikavo človeškega gibanja v trodimenzionalni model na mobilnih napravah. Predstavili smo različne načine delovanja modelov umetne inteligence za ocenitev poze. Opisali smo nekaj že naučenih modelov umetne inteligence in ogrodij, s katerimi lahko modele umetne inteligence vključimo v igralni pogon Unity. Rešitev smo implementirali v pogonu Unity z ogrodjem MediaPipe in družino modelov umetne inteligence BlazePose. Ugotovili smo, da lahko že na povprečnih mobilnih napravah dosežemo skoraj realno časovno izvajanje. Prav tako menimo, da tehnologija še ni primerna za uporabo v zdravstvene namene, je pa primerna za uporabo v aplikacijah, namenjenih zabavi.
Keywords: MediaPipe, BlazePose, ocenitev poze, sledenje pozam, konvolucijske nevronske mreže
Published in DKUM: 08.07.2022; Views: 527; Downloads: 108
.pdf Full text (3,82 MB)

8.
Primerjava različnih načinov učenja globokih nevronskih mrež v avtonomni vožnji : magistrsko delo
Andraž Skupek, 2022, master's thesis

Abstract: V magistrskem delu opisujemo avtonomno vožnjo, algoritme za učenje avtonomnih vozil ter algoritme za razpoznavo prometnih znakov. Za implementacijo smo uporabili dva različna načina učenja avtonomnih vozil, in sicer posnemajoče učenje – za implementacijo katerega smo uporabili konvolucijske nevronske mreže, ter samoojačitveno učenje, kjer uporabljamo nevronsko mrežo, model pa se uči iz lastnih napak. Ob implementaciji avtonomnih vozil smo s pomočjo konvolucijskih nevronskih mrež implementirali tudi modele za razpoznavo prometnih znakov. Omenjene modele smo nato združili z algoritmi avtonomne vožnje in s tem dobili vozilo, ki se je sposobno v simulatorju samostojno premikati ter pospeševati ali zavirati glede na razpoznani prometni znak. Modele obeh načinov avtonomne vožnje testiramo na osmih različnih progah, kjer hitrost vožnje upravljamo tudi s pomočjo razpoznavalnika prometnih znakov. Modeli so uspešni, če uspešno prevozijo celotno progo. Rezultati naših modelov so uspešni, saj je kar nekaj modelov uspešno premagalo vseh osem prog.
Keywords: Avtonomna vožnja, globoko učenje, nevronske mreže, konvolucijske nevronske mreže
Published in DKUM: 14.03.2022; Views: 860; Downloads: 173
.pdf Full text (2,41 MB)

9.
Razpoznava govorcev na mobilni platformi : magistrsko delo
Jože Fartek, 2021, master's thesis

Abstract: V magistrskem delu smo predstavili osnove razpoznave govorcev. V ta namen smo najprej opisali izračun vokalnih značilnic. Podrobneje smo predstavili metodo izračuna mel-frekvenčnih kepstralnih koeficientov (MFCC) in prednosti metode v primerjavi z ostalimi pristopi. Opisali smo tudi učenje glasovnih modelov in novejši metodi, ki temeljita na supervektorjih. Na podlagi tega smo v nadaljevanju magistrskega dela razvili Androidovo mobilno aplikacijo, ki v realnem času razpoznava govorce. Pri razpoznavi govorcev smo se omejili na razpoznavo le nekaj oseb. Iz zvočnih posnetkov posameznih govorcev smo izračunali MFCC in jih uporabili za učenje glasovnega modela s pomočjo konvolucijske nevronske mreže. Za optimizacijo parametrov smo primerjali, kako različni parametri vplivajo na učenje glasovnega modela. Primerjali smo, kako dolžina zvočnih posnetkov v razponu 0,5–3 sekunde vpliva na uspešnost razpoznave. Ugotovili smo, da uspešnost modela z večanjem dolžine zvočnega posnetka vse do 1,5 sekunde narašča, nato pa se naraščanje ustavi. Pri primerjavi števila MFCC med 16 in 128 uspešnost modela do 48 MFCC narašča, nato pa se naraščanje ustavi. Pri primerjavi nivoja izpuščenih nevronov med 0 in 0,7 dobimo boljšo natančnost modela z večanjem nivoja izpuščenih nevronov do 0,5, nato pa začne uspešnost padati. Glede na primerjavo smo pri učenju glasovnega modela uporabili zvočne posnetke dolžine 1 sekunde, 32 izračunanih MFCC in nivo izpuščenih nevronov 0,4. Pri tem smo dobili 88-odstotno natančnost modela. Pri razpoznavi smo ugotovili, da hitrost govora vpliva na uspešnost razpoznave, medtem ko glasnost govora nanjo ne vpliva. Testiranje smo izvajali na mobilni napravi LG G7 ThinQ. Izračun MFCC na mobilni napravi je v povprečju trajal 170 milisekund, razpoznava z modelom TensorFlow Lite pa le 8 milisekund.
Keywords: razpoznava govorcev, mel-frekvenčni kepstralni koeficienti, konvolucijske nevronske mreže, Android
Published in DKUM: 31.01.2022; Views: 708; Downloads: 55
.pdf Full text (3,95 MB)

10.
Prenos stila slike s pomočjo prenosnega učenja in nevronskih mrež : magistrsko delo
Ivona Colakovic, 2021, master's thesis

Abstract: Hitro razvijajoče področje umetne inteligence se v zadnjih letih integrira v različna področja in tako postaja neizogiben del številnih človeških dejavnosti. Umetna inteligenca je pokazala, da se lahko integrira tudi v področje umetnosti in ustvarja nova umetniška dela a podlagi kopiranja stilov grafičnih del priznanih avtorjev. Nevronske mreže, ki posnamejo delovanje človeških možganov, dodatno pomagajo pri tem postopku, saj omogočajo razpoznavo vzorcev v stilih grafičnih del. V magistrskem delu se osredotočimo na raziskovanje tehnike prenosa stila grafičnih del iz enega na drugo grafično delo s pomočjo nevornskih mrež. V ta namen opišemo sestavne dele nevronskih mrež, podrobneje razložimo konvolucijske nevronske mreže in predstavimo pojem prenosnega učenja. Z namenom boljšeg razumevanja področja prenosa stila ilustracij pregledamo obstoječe raziskave ter opišemo delovanje algoritma za prenos stila. V okviru magistrskega dela prikažemo implementacijo in rezultate eksperimenta skozi katerega smo ugotovili, da pristop prenosa stila lahko uspešno prenaša stil iz ilustracij na fotografije kakor tudi iz ilustracij na druge ilustracije.
Keywords: prenos stila, konvolucijske nevronske mreže, prenosno učenje
Published in DKUM: 18.10.2021; Views: 868; Downloads: 93
.pdf Full text (3,40 MB)

Search done in 0.21 sec.
Back to top
Logos of partners University of Maribor University of Ljubljana University of Primorska University of Nova Gorica