Využití realistické simulace vstupních vizuálních dat pro strojové učení

Surák Miroslav

Use of Realistic Simulation of Visual Input Data for Machine Learning

Type of document

bakalářská práce
bachelor thesis

Author

Surák Miroslav

Supervisor

Košnar Karel

Opponent

Vonásek Vojtěch

Field of study

Senzory a přístrojová technika

Study program

Kybernetika a robotika

Institutions assigning rank

katedra měření

Defended

2019-02-05

Rights

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.html
Vysokoškolská 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

Show full item record

Abstract

V tejto bakalárskej práci bolo predstavené použitie syntetických dát pre skvalitnenie učenia neurónových sietí. Na príklade zistenia polohy a orientácie objektu pre potreby jeho uchopenia a zdvihnutia bol vytvorený v programe POV-Ray model skutočného objektu. Pomocou tohto modelu bolo vygenerovaných 10 000 umelých snímkov ako trénovacia množina. Bolo otestovaných 10 klasifikátorov naučených len na umelých dátach a otestované na reálnych. V priemere, je oproti klasifikátoru naučenom na reálnych snímkoch výsledok horší len o 4\%. Pri kombinácií reálnych a umelých snímkov bolo pozorované zlepšenie klasifikátoru o 1.5\%.

This bachelor thesis introduces a usage of synthetic dataset to improve the training of neural networks. The usage of convolutional neural network for determination of position and orientation of an object in the task of bin picking is used as an reference task. Dataset consisting of 10 000 synthetic images of metalic disk was generated in the raytracing software. Ten different classificators were trained making use different size of synthetic dataset and combination with real images. The performance and precision of these classficators were tested on real inputs and compared to classificator trained on 1000 real images. Ther presicion of classificators using only the synhtetic dataset was only 4\% worse and classificators using the combination of real and synthetic data were even 1.5\% better in avarage.