Rozpoznávání orientačních bodů pomocí hlubokého učení

Ondřej Bouček

Visual Landmark Recognition with Deep Learning

Type of document

bakalářská práce
bachelor thesis

Author

Ondřej Bouček

Supervisor

Tolias Georgios

Opponent

Mishkin Dmytro

Field of study

Informatika a počítačové vědy

Study program

Otevřená informatika

Institutions assigning rank

katedra kybernetiky

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 této práci se zabýváne rozpoznávání instancí pomocí hlubokého učení. Získáváme deskriptory pomocí modelu neuronové sítě, který byl naučený přístupem metric learning. Vytvořili jsme různá upravení k-NN klasifikátorů pro vylepšení kvality rozpoznávání. Vyzkoušeli jsme použití více deskriptodů, získaných z různých změn velikostí obrazu. Abychom simulovali použití v reálném světě, k vyhodnocení přístupu používáme data, která jsme vytvořili pod názvem Tini GLD. Pomocí více deskiptorů jsme dosáhli 0,84 Micro Average Precision.

In this work we deal with instance recognition using deep learning. For extracting global descriptors we use neural network model trained with metric learning approach. Various modifications to k-NN classifiers to improve recognition quality were created. We also experiment with using multiple descriptors extracted from rescaled images. To simulate real world application we evaluate the model on created dataset referred to as Tini GLD. We achieved 0.84 Micro Average precision when using multiple descriptors.