Show simple item record

Implementation of Multiple Instance Learning using Markov Networks



dc.contributor.advisorKybic Jan
dc.contributor.authorBranislav Doubek
dc.date.accessioned2020-01-28T23:51:50Z
dc.date.available2020-01-28T23:51:50Z
dc.date.issued2020-01-28
dc.identifierKOS-879458909705
dc.identifier.urihttp://hdl.handle.net/10467/86090
dc.description.abstractTato práce pojednává implementaci multiple instance learning frameworku používající metody Markovských sítí s optimalizačními metodami batch gradient descent, inference based SVM a naší metodou linearního programování. Úspešně jsme ověřili naší implementaci na multiple instance learning datasetech, kterou jsme následně použili pro klasifikaci buněk rakoviny z předpočítaných deskriptorů, které byly vygenerovány z histologických fotek lymfatických uzlin. Manuální klasifikace individuálních fotek je prováděna patology, nicméně se jedná o zlouhavý proces a použití metody multiple instance learning, jakožto dalšího diagnostického nástroje pro klasifikaci rakoviny, který by zvýšil přesnost a rychlost klasificace je vitální. Výsledky, které byly naměřeny na Camelyon datasetu s optimalizační metodou batch gradient decent byly srovnatelné se state-of-art metodami.cze
dc.description.abstractWe present implementation of multiple instance learning (MIL) framework based on Markov networks with optimization methods of batch gradient descent, inference based SVM and propose new approach with the use of linear programming. In this paper we successfully validated our implementation on common multiple instance learning datasets and used it for classifying cancer metastases on sets of precalculated descriptors, which were generated from images of histological lymph node sections. Manual classification of individual images by pathologist is a lengthy process and using multiple instance learning to provide another diagnostic tool for classification could increase accuracy and speed of classification which is vital. The results measured on Camelyon dataset with batch gradient descent method were comparable to state-of-art methodseng
dc.publisherČeské vysoké učení technické v Praze. Vypočetní a informační centrum.cze
dc.publisherCzech Technical University in Prague. Computing and Information Centre.eng
dc.rightsA 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.htmleng
dc.rightsVysokoškolská 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.htmlcze
dc.subjectmultiple instance learningcze
dc.subjectsupervised learningcze
dc.subjectstrojové učenicze
dc.subjectMarkovské sitěcze
dc.subjectmultiple instance learningeng
dc.subjectsupervised learningeng
dc.subjectmachine learningeng
dc.subjectMarkov networkseng
dc.titleImplementace metody "Multiple instance learning" pomocí Markovských sítícze
dc.titleImplementation of Multiple Instance Learning using Markov Networkseng
dc.typebakalářská prácecze
dc.typebachelor thesiseng
dc.contributor.refereeFranc Vojtěch
theses.degree.grantorkatedra telekomunikační technikycze
theses.degree.programmeElektronika a komunikacecze


Files in this item





This item appears in the following Collection(s)

Show simple item record