SLO | ENG | Piškotki in zasebnost

Večja pisava | Manjša pisava

Iskanje po katalogu digitalne knjižnice Pomoč

Iskalni niz: išči po
išči po
išči po
išči po
* po starem in bolonjskem študiju

Opcije:
  Ponastavi


81 - 87 / 87
Na začetekNa prejšnjo stran123456789Na naslednjo stranNa konec
81.
Razpoznavanje kovancev v digitalnih slikah s pomočjo računalniškega vida in strojnega učenja
Tjaž Vračko, 2018, diplomsko delo

Opis: V diplomskem delu smo raziskali metode računalniškega vida za detekcijo in razpoznavanje evrskih kovancev v digitalnih slikah. Preučili in analizirali smo obstoječe metode za detekcijo kovancev ter predstavili njihove prednosti in slabosti. V delu predstavimo lasten algoritem za detekcijo in razpoznavo evrskih kovancev, ki temelji na Houghovi transformaciji, barvnih in teksturnih značilnicah, postopku na osnovi vreče besed in strojih podpornih vektorjev; za popravljanje rezultatov razpoznave uporablja informacije o velikostnih razmerjih kovancev. Algoritem smo implementirali in testirali na štirih testnih množicah slik. Ugotovili smo, da naš algoritem deluje najbolje na slikah z belim ozadjem, na katerih se nahaja veliko različnih tipov kovancev. Na takšnih slikah smo v povprečju dosegli 81,53-odstotno uspešnost pravilnega razpoznavanja kovancev. Izkazalo se je tudi, da je 20 cm tista oddaljenost kamere od kovancev, pri kateri dosežemo najvišjo uspešnost razpoznave in ustreza razdalji, ki bi jo tudi sicer izbrali za slikanje od 10 do 30 kovancev, položenih na mizo.
Ključne besede: razpoznavanje kovancev, HOG, SIFT, Houghova transformacija, stroji podpornih vektorjev
Objavljeno: 03.05.2018; Ogledov: 404; Prenosov: 54
.pdf Celotno besedilo (3,01 MB)

82.
Primerjava segmentacijskih algoritmov na posnetkih zdravih in obolelih očeh
Sandi Krivec, 2018, magistrsko delo

Opis: V tej magistrski nalogi smo se ukvarjali s segmentiranjem človeškega očesa ter prepoz-navanjem bolezni na očesu. Preštudirali in primerjali smo obstoječe algoritme za segmen-tacijo očesa. V praktičnem delu naloge smo razvili lastno hibridno metodo, s pomočjo kate-re detektiramo človeško oko ter prepoznamo bolezni. Naš algoritem in sorodne metode smo preizkusili na treh testnih zbirkah slik s človeškimi očmi, in sicer na lastni zbirki ter na javnih zbirkah IITD in UTIRIS. Algoritme smo primerjali kvalitativno in s pomočjo indeksa Jaccard. Rezultati so pokazali, da s pomočjo naše hibridne metode dosežemo najboljše rezultate. Pri zaznavi zenice smo na lastni podatkovni zbirki dosegli 80 % natančnost, na testnih zbirkah IITD in UTIRIS pa 96 % oziroma 97 % natančnost. Pri zaznavi šarenice smo bili najbolj natančni na zbirki UTIRIS (89 % natančnost), sledita pa lastna zbirka (75 %) ter zbirka IITD (59 %). Eksperimentalno smo potrdili domnevo, da s kombinacijo splo-šnih segmentacijskih postopkov in postopkov na osnovi geometrijskih modelov izboljšamo natančnost segmentacije na posnetkih zdravih in obolelih oči. Bolezni oči smo prepozna-vali le na lastni zbirki. Metrika priklic je variirala od 38 % za bolezen Arcus senilis do 93 % za bolezen miozo. Podobno smo opazili pri metriki točnost, ki je variirala od 60 % (vnetje šarenice), pa vse do 92 % (siva mrena). Preliminarni rezultati potrjujejo uspešnost našega pristopa.
Ključne besede: napredna obdelava slik, segmentacija očesa, segmentacijski postopki, zaznava bolezni človeškega očesa.
Objavljeno: 14.06.2018; Ogledov: 111; Prenosov: 16
.pdf Celotno besedilo (3,06 MB)

83.
Prepoznavanje jedi iz digitalnih slik s pomočjo konvolucijskih nevronskih mrež
Jan Banko, 2018, diplomsko delo

Opis: V diplomskem delu se ukvarjamo s prepoznavo jedi iz digitalnih slik s pomočjo konvolucijskih nevronskih mrež. Namen diplomskega dela je razvoj in implementacija sistema, ki je zmožen prepoznati hrano na digitalni sliki. Natančneje smo preučili delovanje konvolucijskih nevronskih mrež ter postopek prepoznavanja objektov. Opisali smo tudi uporabljene algoritme za detekcijo objektov, ki uporabljajo konvolucijske nevronske mreže. Pri implementaciji razpoznavalnika hrane smo se omejili na 8 različnih kategorij hrane. Pri testiranju na podatkovni zbirki »The Food-101 Data Set« je na množici 2400 slik najboljši izmed uporabljenih modelov detektorjev dosegel natančnost prepoznavanja 95,59 % pri uporabi metrike »PASCAL VOC 2010« ter 72,1 % pri uporabi metrike »COCO«.
Ključne besede: računalniški vid, prepoznavanje hrane, konvolucijske nevronske mreže, Tensorflow
Objavljeno: 31.08.2018; Ogledov: 436; Prenosov: 64
.pdf Celotno besedilo (2,69 MB)

84.
Prepoznavanje aktivnosti osebe iz zaporedja slik s pomočjo konvolucijskih nevronskih mrež
Mihael Baketarić, 2018, diplomsko delo

Opis: 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.
Ključne besede: računalniški vid, konvolucijska nevronska mreža, globoko učenje, detekcija oseb, prepoznavanje aktivnosti osebe
Objavljeno: 19.10.2018; Ogledov: 83; Prenosov: 44
.pdf Celotno besedilo (1,55 MB)

85.
Razpoznavanje vrste aktivnosti uporabnika in prevoznega sredstva s pomočjo vgrajenih senzorjev mobilne naprave
Rok Slamek, 2018, magistrsko delo

Opis: Cilj tega zaključnega dela je izboljšati detekcijo vrst aktivnosti uporabnika in prevoznih sredstev v mobilni aplikaciji MobilitApp. Z uporabo znanih tehnik obdelave signalov in razpoznavanja vzorcev smo razvili dve metodi za detekcijo aktivnosti uporabnika. Prepoznavali smo naslednje aktivnosti: mirovanje, hoja, tek, vožnja s kolesom, motorjem, avtom, avtobusom, metrojem, vlakom in tramvajem. Zgolj z uporabo vgrajenih senzorjev mobilne naprave smo v prvem pristopu zgradili vektor značilnic, ki smo ga uporabili za učenje odločitvenih dreves. V drugem pristopu smo na vhod nevronskih mrež poslali neobdelane podatke iz pospeškometra. Zajemanje podatkov smo zabeležili z video kamero z namenom natančnejše izločitve posameznih delov aktivnosti iz signala. Izvedli smo še študijo, če je kontrolirano zajemanje podatkov z video kamero dejansko potrebno. Naše pristope smo validirali na manjši lastni podatkovni zbirki, ki obsega okrog sedem ur aktivnosti. Podatke smo zajeli s pomočjo treh prostovoljcev in štirih različnih mobilnih naprav. Rezultate smo ovrednotili z različnimi metrikami, s poudarkom na metriki »F1 score«. S pristopom Random Forest je bila metrika »F1 score« 94 %, kar je bolje kot uspešnost obstoječih rešitev iz literature. Naš pristop na osnovi nevronskih mrež se je izkazal nekoliko slabše (»F1 score« je bil 91 %), a še vedno bolje kot najsodobnejše metode iz literature.
Ključne besede: obdelava signalov, razpoznavanje vzorcev, aktivnost uporabnika, prevozno sredstvo
Objavljeno: 08.11.2018; Ogledov: 50; Prenosov: 9
.pdf Celotno besedilo (4,62 MB)

86.
Detekcija karakterističnih točk na rentgenskih posnetkih glave s pomočjo tehnik globokega učenja
Gašper Sedej, 2018, magistrsko delo

Opis: 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.
Ključne besede: globoko učenje, nevronske mreže, kefalometrija, razpoznavanje vzorcev, optimizacija, paralelno izvajanje
Objavljeno: 10.01.2019; Ogledov: 219; Prenosov: 29
.pdf Celotno besedilo (5,14 MB)

87.
Tehnike računalniškega vida pri avtomatiziranem snemanju rokometne tekme
Goran Krajnc, 2019, diplomsko delo

Opis: V diplomskem delu smo se ukvarjali s študijem, preizkušanjem in implementiranjem osnovnih postopkov računalniške obdelave slik in računalniškega vida za razvoj avtomatiziranega snemanja rokometnih tekem, odigranih v dvorani. V okviru diplomskega dela smo razvili računalniški algoritem, ki omogoča povsem avtonomno snemanje dogodkov na rokometnem igrišču, ki jih je treba posneti s kamero. Z dvema na strop pritrjenima kamerama smo s pomočjo tehnik računalniške obdelave slik in vida izluščili igralce na igrišču. V nadaljevanju smo analizirali postavitev igralcev in ocenili, v kateri ciljni točki na igrišču se izvaja dogodek, ki ga je treba posneti. V eksperimentalnem delu diplomske naloge smo posneli video dejanske rokometne tekme, s pomočjo katere smo razvijali in testirali naš postopek. Testirali smo na petdesetih slikah, naključno izbranih z video posnetka, pri čemer smo bili pozorni, da je bila ciljna točka pravilno določena. Definirali smo območja, ki bi jih morala zajeti kamera za snemanje videa in jih primerjali z merjenim rezultatom. Rezultati so pokazali, da naša rešitev v 86 % pravilno zazna in posname pomemben dogodek rokometne tekme. Naš sistem je manj uspešen v izjemnih situacijah, kot so, na primer, protinapad ali met žoge na prazen gol. Na osnovi eksperimentalnih rezultatov trdimo, da naša rešitev dosega zadovoljivo uspešnost.
Ključne besede: snemanje rokometne tekme, kamera, sledenje igralcem, računalniška obdelava slik, računalniški vid
Objavljeno: 17.04.2019; Ogledov: 375; Prenosov: 39
.pdf Celotno besedilo (1,56 MB)

Iskanje izvedeno v 0.2 sek.
Na vrh
Logotipi partnerjev Univerza v Mariboru Univerza v Ljubljani Univerza na Primorskem Univerza v Novi Gorici