Interpretovatelnost hlubokých neuronových sítí pro segmentaci obrazu

Vít Macura

Interpretability of Deep Neural Networks for Image Segmentation

Type of document

bakalářská práce
bachelor thesis

Author

Vít Macura

Supervisor

Reinštein Michal

Opponent

Vavrečka Michal

Study program

Softwarové inženýrství a technologie

Institutions assigning rank

katedra počítačů

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

Od rozšíření prozkoumávání vesmíru, především v komerčním sektoru, dochází k vzinku obrovského množství satelitních snímků. Množství dat dodávaných různými satelity zvyšuje poptávku po interpretaci těchto dat za účelem získání hodnotých informací. Příkladem takových dat je dataset SpaceNet. Cílem této práce je vytvoření a vyhodnocení hluboké neuronové sítě, jakožto řešení soutěže SpaceNet Road Network Detection challenge. Kvůli komplexitě datasetu SpaceNet jsou prozkoumány a využity různé metody interpretovatelnosti pro neuronové sítě.

Since the widespread of space exploration, especially in the commercial sector, there has been an enormous supply of satellite imagery. The amount of data supplied by various satellites raises demand in human interpretation of given data in order to obtain valuable information. One example of such data is the SpaceNet dataset. The aim of this work is to design and evaluate a deep neural network as a solution to the SpaceNet Road Network Detection challenge based on state-of-the-art published architectures. Due to the complex nature of the SpaceNet dataset various methods of neural network interpretability are explored and implemented.