1. Brezizgubno stiskanje rastrskih slik z uporabo genetskega algoritma : magistrsko deloTomaž Klobučar, 2025, magistrsko delo Opis: V magistrskem delu je predstavljena uporaba genetskega algoritma za brezizgubno stiskanje rastrskih slik. Poudarek je na kombiniranju genetskega algoritma z različnimi tehnikami stiskanja podatkov, vključno z aritmetičnim kodiranjem, metodo RLE (angl. Run Length Encoding) in Huffmanovim kodiranjem. Podrobno je opisano teoretično ozadje genetskega algoritma in njegovih osnovnih postopkov, kot so selekcija, križanje in mutacija. Prav tako je predstavljena implementacija genetskega algoritma, kodirnika in dekodirnika. Opravljene so bile analize vhodnih parametrov kodeka, stiskanja splošnih in risanih slik, vpliva napovedi genetskega algoritma na stopnjo stiskanja, vpliva pretvorbe barvnega prostora na stopnjo stiskanja ter analiza časovne zahtevnosti. Rezultati so pokazali, da predlagan kodek doseže stopnjo stiskanja primerljivo z izbranimi formati, njegova učinkovitost stiskanja pa se izboljša z uporabo pretvorbe barvnega prostora.
Ključne besede: brezizgubno stiskanje slik, risane slike, genetski algoritem, Huffmanovo kodiranje, aritmetično kodiranje, RLE
Objavljeno v DKUM: 06.02.2025; Ogledov: 0; Prenosov: 15
 Celotno besedilo (7,00 MB) |
2. Razpoznava drevesnih vrst iz oblakov točk z uporabo globokih nevronskih mrež : magistrsko deloVid Topolovec Klemenčič, 2024, magistrsko delo Opis: 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.
Ključne besede: globoke nevronske mreže, klasifikacija drevesnih vrst, 3D oblaki točk, 2D slike, obogatitev podatkov
Objavljeno v DKUM: 01.07.2024; Ogledov: 155; Prenosov: 67
Celotno besedilo (16,54 MB)
Gradivo ima več datotek! Več... |
3. Implementacija SPIHT : magistrsko deloLuka Kovačič, 2024, magistrsko delo Opis: V magistrskem delu najprej predstavimo Haarovo transformacijo. Nato razložimo pojme in
podatkovne strukture, potrebne za razumevanje algoritma SPIHT. Predstavimo psevdokod
implementacije kodiranja in dekodiranja. Delovanje pokažemo na primeru. Algoritem
implementiramo in ga testiramo na različnih slikah. Učinkovitost stiskanja primerjamo s
formati PNG, JPEG in JPEG 2000, ki se izkaže kot najučinkovitejši.
Ključne besede: SPIHT, drevesa prostorske orientacije, Haarova transformacija, rastrske
slike, napredujoče stiskanje
Objavljeno v DKUM: 19.03.2024; Ogledov: 268; Prenosov: 74
Celotno besedilo (2,43 MB) |
4. Kombiniranje modelov razvrščanja vzorcev za razpoznavanje čustvenih izrazov iz posnetkov obraza v nekontroliranem okolju : diplomsko deloJuš Osojnik, 2023, diplomsko delo Opis: 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 %.
Ključne besede: prepoznavanje čustvenih izrazov, slike obrazov, globoke nevronske mreže, modelno združevanje, ekstrakcija značilnic, okolje Keras
Objavljeno v DKUM: 13.10.2023; Ogledov: 512; Prenosov: 60
Celotno besedilo (4,01 MB) |
5. Primerjava zaznave in segmentacije neznanih objektov v 6 prostostnih stopnjah : magistrsko deloNejc Herženjak, 2023, magistrsko delo Opis: Cilj diplomskega dela je analizirati različne pristope odkrivanja in segmentacije neznanih predmetov ter primerjati podobnosti in razlike algoritmov. Raziskava temelji na ‟No Free Lunch Theorem‟ in je osredotočena na iskanje najustreznejših pristopov strojnega vida v robotiki in primerjavo njihove učinkovitosti.
Na začetku je narejen pregled stanja raziskav z delitvijo na regresijske in klasifikacijske metode, zatem sledi segmentacija in prepoznava objektov ter se zaključi z opisom klasičnih in metod z nevronskim mreženjem. V nadaljevanju je opredeljena primerjava nabora podatkov in že narejenih meritev. Zadnji dve poglavji sta namenjeni evalvaciji lastnih poskusov in zaključek s priložnostmi nadaljnjih raziskav na tem področju.
Ključne besede: 6-DoF, strojni vid, evalvacija pozicije, segmentacija slike, zaznavanje objektov
Objavljeno v DKUM: 08.06.2023; Ogledov: 524; Prenosov: 53
Celotno besedilo (7,57 MB) |
6. Ugotavljanje podobnosti rastrskih slik z vgnezdenimi 3D izbočenimi lupinami : diplomsko deloŽiga Pečar, 2022, diplomsko delo Opis: V diplomskem delu smo izdelali metodo, ki s pomočjo 3D vgnezdenih izbočenih lupin ugotavlja podobnost med slikami. Najprej smo podali opis štirih že znanih metod za ugotavljanje podobnosti slik. Implementirana metoda prejme sivinsko rastrsko sliko, ki jo redči s Sobelovo zaznavo robov in nato sestavi 3D vgnezdene izbočene lupine te slike. Na podlagi teh izračuna cenilko, katere vrednost uporabimo za ugotavljanje podobnosti slik. Metodo smo testirali nad štirimi slikami in ovrednotili ustreznost rezultatov.
Ključne besede: algoritem, računalniška geometrija, hitra izbočena lupina, zaznava robov, sivinske slike
Objavljeno v DKUM: 20.10.2022; Ogledov: 566; Prenosov: 52
Celotno besedilo (1,71 MB) |
7. Oprema interjerjev dvorca Turnišče od srede 18. stoletja do povojnih transferjev : magistrsko deloNejc Lazar, 2022, magistrsko delo Opis: Magistrsko delo obravnava dvorec Turnišče na obrobju Ptuja in s svojimi mnogimi lastniki predstavlja še dokaj neraziskano tematiko, predvsem kar se tiče opreme dvorca in popisnih inventarjev. Tako se naloga posveča predvsem zapuščinskim inventarjem, zaplembi po drugi svetovni vojni in ohranjeni opremi, ki je bila po zaplembi povečini prenesena v zbirni center v ptujskem dominikanskem samostanu in leta 1948 predana Mestnemu muzeju. Magistrsko delo v začetku predstavlja kratek historiat lastništva gradu in se posebej posveti rodbini grofov Thurn-Valsassina, ki je posest kupila, jo povečevala in dala pozidati baročni dvorec ter družini Warren Lippit, ki je z nakupom posesti in dvorca odprla uspešno kobilarno. Sledi kronološko zasnovan arhitekturni oris dvorca, v katerem so na podlagi stanja raziskav predstavljene prezidave, izgled parka in današnja podoba. Na podlagi popisov v zapuščinskih inventarjih grofov Thurn Valsassina je na kratko opredeljena oprema dvorca v prvi četrtini 18. stoletja, več pozornosti pa je namenjeno stanju opreme sredi 18. stoletja, kot je navedena v popisnem inventarju barona Cramma iz leta 1749.
Pomemben del naloge na podlagi arhivskih podatkov analizira okoliščine zaplembe opreme rezidenc družine Warren Lippitt in njeni usodi. Več članov družine Warren Lippitt je bilo po vojni zaprtih v taborišču Šterntal, kasneje pa so nekaterih migrirali v tujino. Del podatkov je bilo mogoče pridobiti od njihovih potomcev v Angliji.
Besedilo dopolnjuje katalog znane opreme rezidenc družine v zbirki Pokrajinskega muzeja Ptuj in pri zasebnikih. Katalog je razdeljen na sklope, v katerih so obravnavani slike, sedežno pohištvo, shrambno pohištvo, ure in postelje.
Ključne besede: Turnišče, lastniki, Thurn-Valsassina, Warren Lippitt, barok, 19. stoletje, oprema dvorca, slike, pohištvo, inventarni popisi, zaplembe.
Objavljeno v DKUM: 14.02.2022; Ogledov: 1131; Prenosov: 240
Celotno besedilo (3,70 MB) |
8. |
9. Brezizgubno stiskanje rastrskih slik z napovedjo iz slik, stisnjenih z izgubami : diplomsko deloTomaž Klobučar, 2021, diplomsko delo Opis: V diplomskem delu smo izdelali sistem za brezizgubno stiskanje slik. Navedli smo bistvene lastnosti standarda JPEG 2000. Opisali smo metode stiskanja BASC, Golombovo kodiranje in aritmetično kodiranje. Implementiran sistem prejme rastrsko sliko, ki jo stisne z izgubnim načinom formata JPEG 2000, jo dekodira in izračuna razlike med njima. Razlike nato stisne z metodo BASC, Golombovim kodiranjem ter aritmetičnim kodiranjem. Sistem smo testirali z različnimi slikami in rezultate primerjali s formatoma PNG ter JPEG 2000 v brezizgubnem načinu.
Ključne besede: Golombovo kodiranje, metoda BASC, aritmetično kodiranje, JPEG 2000, rastrske slike, stiskanje podatkov
Objavljeno v DKUM: 18.10.2021; Ogledov: 875; Prenosov: 149
Celotno besedilo (1,25 MB) |
10. Prepoznavanje objektov iz satelitskih slik z metodami globokega učenja na vgrajeni napravi : diplomsko deloMartin Domajnko, 2021, diplomsko delo Opis: V diplomskem delu rešujemo problem prepoznavanja prometa iz satelitskih slik. Cilj je bil uporabiti metode globokega učenja, pognati modele na izbranih vgrajenih napravah in doseči povprečno natančnost vsaj 75 % pri hitrosti izvajanja 5 sličic na sekundo. Za eksperiment uporabimo modela Faster R-CNN in SSD iz knjižnic Detectron2 ter TensorFlow Object Detection API. Fazi učenja in testiranja izvedemo na satelitskih slikah baze podatkov xView, katere predhodno razdelimo na učno in testno množico. Na učni množici izvedemo tudi bogatenje slik. Naučene modele preizkusimo na grafičnih karticah Nvidia GeForce GTX 970 ter Nvidia Titan X Pascal, na procesorju Intel Core i7-4790 in na vgrajenih napravah Intel Neural Compute Stick 2 ter Nvidia Jetson TX2. Preizkuse izvedemo s pomočjo skript napisanih v programskem jeziku Python3. Te izvozijo modele v posebno zamrznjeno stanje, jih optimizirajo za izvajanje na izbrani napravi in izmerijo njegovo hitrost ter natančnost. Najvišjo povprečno natančnost 37,33 % dosežemo z modelom Faster R-CNN iz knjižnice Detectron2. Z modelom SSD iz knjižnice TensorFlow Object Detection API na grafični kartici Nvidia GeForce GTX 970 dosežemo povprečno hitrost izvajanja 84,5 sličic na sekundo. Demonstrirana rešitev v diplomskem delu je primerna za izvajanje na vgrajenih napravah, a žal ni dovolj natančna. Za doseganje boljših rezultatov moramo našo rešitev izvajati na hitrejši strojni opremi, ki podpira večje ter s tem natančnejše modele.
Ključne besede: strojno učenje, globoko učenje, vgrajene naprave, prepoznavanje objektov, satelitske slike, računalniški vid
Objavljeno v DKUM: 18.10.2021; Ogledov: 1013; Prenosov: 121
Celotno besedilo (34,13 MB) |
