1. Detekcija karakterističnih točk na rentgenskih posnetkih glave s pomočjo tehnik globokega učenjaGašper 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 v DKUM: 10.01.2019; Ogledov: 1518; Prenosov: 191 Celotno besedilo (5,14 MB) |
2. Razpoznavanje vrste aktivnosti uporabnika in prevoznega sredstva s pomočjo vgrajenih senzorjev mobilne napraveRok 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 v DKUM: 08.11.2018; Ogledov: 1027; Prenosov: 99 Celotno besedilo (4,62 MB) |
3. AVTOMATSKO PREPOZNAVANJE NOSU IZ DIGITALNIH POSNETKOV S POSTOPKI RAČUNALNIŠKEGA VIDAJadran Kotnik, 2015, diplomsko delo Opis: V tem diplomskem delu se ukvarjamo z avtomatskim razpoznavanjem nosu in njegovo segmentacijo v digitalnih posnetkih. Rezultat našega dela je algoritem, ki vrača natančen obris nosu. Za razpoznavanje obrobe nosu smo uporabili modele, za iskanje konice nosu in nosnic pa smo uporabili iskanje svetlejših oziroma temnejših področij. Uspešnost našega algoritma smo nato preverili na zbirki 50 slik. Ugotovili smo, da je razpoznavanje obrobe nosu v večini slik dobro, razen v izjemnih primerih, kjer razpoznamo napačni del slike. Če uporabimo za prepoznavanje nosu modele, potem je bila Hausdorffova razdalja v povprečju enaka 3,221 mm s standardnim odklonom 2,320 mm, t.i. povprečna Hausdorffova razdalja pa je bila v povprečju 1,080 mm s standardnim odklonom 0,696 mm. Algoritem na izhodu oblikuje maske prepoznanih komponent nosu, katere lahko uporabimo v naprednejših aplikacijah. Ključne besede: računalniški vid, prepoznavanje nosu, razpoznavanje vzorcev, digitalna obdelava slik Objavljeno v DKUM: 15.10.2015; Ogledov: 2351; Prenosov: 110 Celotno besedilo (1,99 MB) |
4. AVTOMATSKO PREPOZNAVANJE UST IZ DIGITALNIH POSNETKOV S POMOČJO AKTIVNIH MODELOVAljaž Frančič, 2015, diplomsko delo Opis: V diplomskem delu so raziskane metode računalniškega vida za avtomatsko prepoznavanje ust iz digitalnih posnetkov, pri čemer so v ospredje postavljeni aktivni modeli. V uvodu so natančneje predstavljeni problem, cilji, omejitve in struktura diplomskega dela. Preučene so tri metode, ki temeljijo na aktivnih modelih: aktivni modeli kontur, aktivni modeli oblike in aktivni modeli izgleda. Poudarek je na slednjima in njuna uporaba je v delu tudi demonstrirana. Predstavljen je nov pristop za detekcijo ustnic, imenovan dvofazni aktivni model izgleda. Za aktivni model izgleda je sintetizirana lastna učna in testna množica vzorcev tako za eno-, kot tudi dvofazni model. V zaključnih poglavjih sta podani še kvalitativna in kvantitativna primerjava treh podanih algoritmov, pri čemer je kot ena izmed metrik uporabljena Hausdorffova razdalja. Najboljši rezultati na naši lastni testni množici so doseženi z dvofaznim aktivnim modelom izgleda. Ključne besede: prepoznavanje ust, aktivni modeli kontur, aktivni modeli oblike, aktivni modeli izgleda, OpenCV, računalniški vid, razpoznavanje vzorcev Objavljeno v DKUM: 17.07.2015; Ogledov: 2401; Prenosov: 323 Celotno besedilo (2,74 MB) |
5. AVTOMATSKO PREPOZNAVANJE OČI IZ DIGITALNIH POSNETKOVTadej Jerovšek, 2014, diplomsko delo Opis: V tem diplomskem delu se ukvarjamo z detektiranjem oči v barvnih digitalnih posnetkih ter segmentacijo le-teh, saj večina obstoječih metod vrača kot rezultat le oklepajočo škatlo očesa. Pri reševanju tega problema smo za detekcijo beločnice uporabili barvni prostor HSV, za iskanje šarenice smo uporabili prileganje modela, pri določitvi zenice pa smo uporabili nevronsko mrežo. Naš algoritem smo nato validirali na bazi 50 slik, kjer smo ugotavljali uspešnost za posamezne komponente očesa. Pri tem smo ugotovili, da pri večini razpoznamo komponento v dobri meri, vendar pri nekaterih razpoznamo tudi napačni del slike. Kot izhod oblikujemo maske posameznih komponent, ki jih lahko uporabimo za nadaljnja dela z očmi. Ključne besede: računalniški vid, prepoznavanje oči, razpoznavanje vzorcev, digitalna obdelava slik, Houghova transformacija, nevronske mreže Objavljeno v DKUM: 16.06.2014; Ogledov: 2616; Prenosov: 137 Celotno besedilo (2,10 MB) |
6. OCENJEVANJE ČUSTVA OSEBE NA OSNOVI DIGITALNIH POSNETKOVUroš Mlakar, 2014, magistrsko delo Opis: V tem magistrskem delu smo se ukvarjali s študijem postopkov za razpoznavanje človeških čustev na osnovi digitalnih posnetkov. V praktičnem delu te magistrske naloge smo razvili izviren računalniški razpoznavalni sistem, ki temelji na teksturnih značilkah. Algoritem v prvem koraku poišče grob položaj obraza na vhodni sliki, zatem pa v dobljeni regiji računamo ujemanje obraza z modelom AAM (Active Appearance Models). Nato rotiramo obraz za izračunan kot v pravilen frontalni položaj. V zadnji fazi algoritma s pomočjo koordinat iz modela AAM natančno izrežemo obraz iz slike, zatem pa obraz aproksimiramo z elipso, s čimer odstranimo odvečne informacije z slike. Obrezan obraz na koncu popišemo s teksturno značilko HOG (Histogram of Oriented Gradients). Vmesni rezultat je histogram, ki ga posredujemo v stroje SVM (Support Vector Machines) za klasifikacijo, pri čemer za vsako od šestih osnovnih emocij naučimo lasten SVM.
Razvili smo dve varianti algoritma, in sicer algoritem na osnovi statičnih 2D slik in algoritem na osnovi slik razlik. Prvi algoritem uporablja za razpoznavanje čustev le trenutno sliko opazovane osebe, medtem ko drugi algoritem detektira spremembe obraza pri izražanju čustev. Algoritem na osnovi statičnih 2D slik smo nadgradili z algoritmom Adaboost, algoritem na osnovi slik razlik pa smo razširili s tremi variantami, kjer pri gradnji histograma s pomočjo interpolacije vnesemo še vmesne korake pri spreminjanju obraza iz nevtralnega v obraz z izkazanim čustvom. Razvite algoritme smo testirali na dveh javno dostopnih testnih podatkovnih bazah: bazi MMI Facial Expression Database (MMI) in bazi Cohn-Kanade. Z algoritmom na osnovi statičnih 2D slik smo na bazi MMI dosegli najvišjo uspešnost 76,31 %, na bazi CK pa 91,49 %. Z algoritmom na osnovi slik razlik pa smo na bazi MMI dosegli 74,63 % uspešnost, na bazi CK pa se je uspešnost prepoznavanja čustev povzpela kar na 95,64 %. Ključne besede: obdelava digitalnih slik, razpoznavanje vzorcev, prepoznavanje čustev, obrazi, teksturne značilke Objavljeno v DKUM: 20.05.2014; Ogledov: 2887; Prenosov: 326 Celotno besedilo (2,56 MB) |
7. |
8. |