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


1 - 2 / 2
Na začetekNa prejšnjo stran1Na naslednjo stranNa konec
1.
UPORABA DIGITALNEGA FOTOAPARATA PRI MULTIMODALNEM NADZORU OKOLJA
Gašper Sedej, 2011, diplomsko delo/naloga

Opis: V diplomskem delu opisujemo sistem, ki smo ga razvili za multimodalni oddaljeni nadzor okolja. Sistem je sestavljen iz več komponent, med katerimi ima ključno vlogo digitalni fotoaparat. Ta je uporabljen za zajemanje žive slike in hkrati tudi fotografij z visoko ločljivostjo. Fotoaparat nadzira računalniški strežnik, ki poganja programsko opremo gPhoto. Video zajemamo preko fotoaparatovega analognega priključka in slikovnega pretvornika, ki pretvori analogni video signal v digitalnega. Strežnik nato pošlje stisnjeni video odjemalcu, na zahtevo uporabnika pa sproži fotoaparat in pošlje še visokoločljivostno fotografijo. Preklop med obema načinoma opravi posebno vezje, ki smo ga razvili za USB-priključek na fotoaparatu. Prenos videa in slik med strežnikom in odjemalcem poteka po medmrežju.
Ključne besede: digitalni fotoaparati, zajemanje videa, stiskanje videa, oddaljeni nadzor fotoaparata, prenos slik in video tokov
Objavljeno: 19.07.2011; Ogledov: 1886; Prenosov: 124
.pdf Celotno besedilo (2,52 MB)

2.
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: 108; Prenosov: 11
.pdf Celotno besedilo (5,14 MB)

Iskanje izvedeno v 0.03 sek.
Na vrh
Logotipi partnerjev Univerza v Mariboru Univerza v Ljubljani Univerza na Primorskem Univerza v Novi Gorici