Rozpoznávání orientačních bodů pomocí hlubokého učení

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.