Show simple item record

Data Augmentation by Image-to-Image Translation for Image Retrieval



dc.contributor.advisorJeníček Tomáš
dc.contributor.authorAlbert Möhwald
dc.date.accessioned2020-06-10T13:57:27Z
dc.date.available2020-06-10T13:57:27Z
dc.date.issued2020-06-10
dc.identifierKOS-857605050505
dc.identifier.urihttp://hdl.handle.net/10467/87756
dc.description.abstractDenní a noční změny vzhledu obrázků jsou řešeny uměle naučenou augmentací dat. Konvoluční neuronové sítě (CNN) jsou jednou z nejmodernějších technik pro vizuální vyhledávání. Nicméně, výkon hlubokých neuronových sítí je závislý na počtu dat. pokud dojde k zadání nepravidelného vyhledávání, které se liší od učících dat, projeví se to na nízké úspěšnosti vyhledávání. Augmentace je provedena pomocí pix2pix a CycleGAN, jež poskytují překlad z obrázku do obrázku, kde z běžných denních obrázků jsou generovány nepravidelné noční obrázky, a tento překlad je trénován na čtyřech datasetech. Pro změření kvality překladu obrázků jsou využita evaluační skóre pro generující adversariální sítě (GAN), která jsou v této práci zkoumána a porovnána s datovou augmentací. Výsledný efekt augmentace je testován prostřednictvím meřítek pro visuální vyhledávání, kde výsledky ukazují zlepšení na datasetu 24/7 Tokyo za menší ztráty výkonu na znovuvytvořených datasetech Oxford a Paris.cze
dc.description.abstractDaytime and nighttime visual appearance changes are addressed with artificially learned data augmentation. Convolutional neural networks (CNNs) are one of the state-of-the-art techniques for image retrieval. However, powerful deep neural networks are data-driven resulting in poor performance, when an irregular query, different from training data, is inputted. Augmentation is addressed with pix2pix a CycleGAN, used to provide image-to-image translation from regular daytime images into irregular nighttime images and are trained over four image datasets. To measure image translation quality, Generative Adversarial Network (GAN) evaluation scores are explored and compared with data augmentation. The final data augmentation effect is tested on the image retrieval benchmarks, where results show improvement on the 24/7 Tokyo dataset with minor performance loss on daytime Revisited Oxford and Paris datasets.eng
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.subjectVizuální vyhledávánícze
dc.subjectAugmentace datcze
dc.subjectGenerující adversariální sítěcze
dc.subjectPřekládání obrázku do obrázkucze
dc.subjectImage Retrievaleng
dc.subjectData Augmentationeng
dc.subjectGenerative Adversarial Networkeng
dc.subjectImage-to-image Translationeng
dc.titleGenerování trénovacích dat pro vizuální vyhledávání pomocí neuronových sítícze
dc.titleData Augmentation by Image-to-Image Translation for Image Retrievaleng
dc.typebakalářská prácecze
dc.typebachelor thesiseng
dc.contributor.refereeMishkin Dmytro
theses.degree.disciplineInformatika a počítačové vědycze
theses.degree.grantorkatedra kybernetikycze
theses.degree.programmeOtevřená informatikacze


Files in this item




This item appears in the following Collection(s)

Show simple item record