Adaptace během testování pro úlohu segmentace
Test-Time Adaptation for Segmentation
Typ dokumentu
diplomová prácemaster thesis
Autor
Klára Janoušková
Vedoucí práce
Matas Jiří
Oponent práce
Zimmermann Karel
Studijní obor
Počítačové vidění a digitální obrazStudijní program
Otevřená informatikaInstituce přidělující hodnost
katedra kybernetikyPráva
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
The thesis proposes novel single-image test-time adaptation methods for image segmentation based on a deep neural network. Test-time adaptation improves the robustness of the deep neural network to data shift using a single unlabelled image with no other data available. The methods are evaluated on two different deep segmentation networks, including a recent segmentation model trained on 1 billion segmentation masks, the SegmentAnything Model. The best approach reduces the segmentation error of the two models caused by synthetic corruptions by 15.47 % and 25.12 %. Tato práce navrhuje nové metody pro adaptaci segmentačních modelů založených na hlubokých sítích z jednoho obrázku během testování. Adaptace v době testování zvyšuje robustnost hluboké neuronové sítě vůči změně distribuce dat pomocí jednoho neanotovaného obrázku bez přístupu k jiným datům. Metody jsou vyhodnoceny na dvou různých hlubokých segmentačních sítích, včetně nedávno publikovaného segmentačního modelu SegmentAnything trénovaného na 1 miliardě segmentačních masek. Nejlepší navrhovaný přístup snižuje segmentační chybu vyhodnocovaných modelů způsobenou syntetickými poruchami o 15.47 % a 25.12 %.
Kolekce
- Diplomové práce - 13133 [474]