Využití metod hlubokého učení při klasifikaci obrazu
The Use of Deep Learning Methods for Image Classification
Typ dokumentu
diplomová prácemaster thesis
Autor
Jan Wünsch
Vedoucí práce
Horaisová Kateřina
Oponent práce
Nový Josef
Studijní obor
Aplikace softwarového inženýrstvíStudijní program
Aplikace přírodních vědInstituce přidělující hodnost
katedra softwarového inženýrstvíObhájeno
2022-06-01Práva
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
Diplomová práce se zabývá tématem hlubokého učení, věnuje se zejména jeho využití při klasifikaci obrazu. Cílem práce je seznámit se s metodami pro klasifikaci obrazu. Popisuji různé typy modelů, vrstvy používané v konvenčních konvolučních sítích, nejpoužívanější aktivační funkce, věnuji se problému přeučení i přípravě dat. Dále se zabývám čtyřmi vybranými předtrénovanými modely pro klasifikaci obrazu. Tyto modely jsou s využitím metody přeneseného učení v praktické části otestovány na třech datových množinách s různým počtem tříd. Nejúspěšnější model pro klasifikaci je použit v desktopové aplikaci. The thesis deals with the topic of deep learning in image classification. The aim is to become acquainted with the methods for image classification. The types of models, layers used in conventional convolutional networks, activation functions, overfitting problem and data preparation are described here. Some pretrained image classification models are described below. The practical part includes 4 pretrained models which were tested on 3 data sets. The first set contains 2 classes, the second contains 4 classes and the last set contains 7 classes for classification. The most successful model is used in the desktop application.