Kvantifikacija stabilnosti lokalizacije objekta pravokutnim okvirom u problemu detekcije objekta

diplomski rad

• Naslov (engleski): Quantification of stability of object localization with a rectangular box in the problem of object detection
• Autor: Roko Torbarina
• Mentor: Luka Grubišić (mentor)
• Član povjerenstva: Luka Grubišić (predsjednik povjerenstva)
• Član povjerenstva: Goran Igaly (član povjerenstva)
• Član povjerenstva: Boris Muha (član povjerenstva)
• Član povjerenstva: Ozren Perše (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Prirodoslovno-matematički fakultet; (Matematički odsjek); Zagreb
• Datum i država obrane: 2023-09-27, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: PRIRODNE ZNANOSTI; Matematika

Sažetak

U teorijskom dijelu rada, opisane su neuronske mreže i njihove glavne komponente. Postepenom izgradnjom i uvođenjem novih koncepata, dolazi se do konvolucijskih neuronskih mreža te njihove uporabe u problemu detekcije objekta. Predstavljena je kvantifikacija stabilnosti lokalizacije objekta pravokutnim okvirom te su navedene najpopularnije metode kvantifikacije stabilnosti poput Bayesovih neuronskih mreža i Monte Carlo isključivanja. U praktičnom dijelu rada, nakon predstavljanja skupa podataka, opisana je metoda korištenja Gaussove negativne logaritamske vjerodostojnosti kao funkcije gubitka za učenje kvantifikacije stabilnosti lokalizacije objekta. Opisana je RetinaNet arhitektura korištena za treniranje modela s navedenom funkcijom greške. Provedena su različita testiranja te su dobiveni obečavajući rezultati.

Sažetak (engleski)

In the theoretical part of the thesis, neural networks and their main components are described. By gradually building and introducing new concepts, we arrive to convolutional neural networks and their use in object detection problem. Quantification of bounding box stability is introduced and the most popular methods of stability quantification, such as Bayesian neural networks and Monte Carlo dropout are discussed. In the practical part of the paper, after the presentation of the data set, the method of using Gaussian negative log-likelihood as a loss function for learning the quantification of object localization stability is presented. The RetinaNet architecture used to train the model with the specified loss function is described. Various tests were carried out and promising results were obtained.

• Ključne riječi: neuronske mreže; konvolucijske neuronske mreže; Bayesove neuronske mreže; Monte Carlo isključivanja
• Ključne riječi (engleski): neural networks; Bayesian neural networks; Monte Carlo dropout
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:217:231914
• Studijski program: Naziv: Računarstvo i matematika; Vrsta studija: sveučilišni; Stupanj studija: diplomski; Akademski / stručni naziv: sveučilišni magistar računarstva i matematike (univ. mag. inf. et math.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Otvoreni pristup
• Datum i vrijeme pohrane: 2024-02-06 13:12:00