Vyhodnocení chyb v závislosti na jejich prostorových pozicích v sémantické segmentaci
Distance-aware error evaluation for semantic segmentation
Typ dokumentu
diplomová prácemaster thesis
Autor
Maroš Pechník
Vedoucí práce
Vojíř Tomáš
Oponent práce
Šmídl Václav
Studijní obor
Datové vědyStudijní program
Otevřená informatikaInstituce přidělující hodnost
katedra počítačůPráva
A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmlVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html
Metadata
Zobrazit celý záznamAbstrakt
Táto záverečná práca sa zaoberá aplikáciami počítačového videnia, konkrétne detekciou anomálií v modeloch sémantickej segmentácie. V niektorých prípadoch, ako napríklad vo vizuálnych inšpekčných úlohách alebo v autonómnom riadení, je okrem správnej klasifikácie každého pixelu dôležitá aj priestorová distribúcia nesprávne klasifikovaných pixelov. V tejto práci je navrhnutá metrika na vyhodnotenie modelu, ktorá berie v úvahu priestorovú distribúciu chýb. Metrika je komplementárna ku štandardným metrikám a poskytuje iný pohľad na výkonnosť modelu. Taktiež je navrhnutá stratová funkcia, ktorá núti model robiť menej vzdialených chýb. Pôvodný model určený na sémantickú segmentáciu pretrénovaný s navrhnutou stratovou funkciou nezhoršil štandardné metriky ale zlepšil metriku, ktorá model hodnotí podľa vzdialenosti chýb. Pretrénovaný model presnejšie klasifikuje hranice anomálneho objektu a anomálie klasifikuje s väčšou istotou. This master thesis focuses on computer vision applications, specifically anomaly detection in semantic segmentation models. In some cases, such as visual inspection tasks or autonomous driving, in addition to the correct classification of each input pixel, the spatial distribution of the incorrectly classified pixels plays an important role. This work consists of two contributions to this problem. First, an evaluation metric is proposed that takes into account the spatial distribution of the error. The metric is complementary to standard metrics and provides a different view of model performance. Second, a loss function regularization that forces the semantic segmentation model to make fewer distant errors is proposed. The semantic segmentation model retrained with the distant-aware regularization loss retained the performance of standard metrics and improved the distance-aware evaluation metric. The retrained model performs better at the boundaries of the anomaly and classifies them with higher confidence.
Kolekce
- Diplomové práce - 13136 [892]