Original title:
Meření podobnosti obrazů s pomocí hlubokého učení
Translated title:
Image similarity measuring using deep learning
Authors:
Štarha, Dominik ; Šeda, Pavel (referee) ; Rajnoha, Martin (advisor) Document type: Master’s theses
Year:
2018
Language:
cze Publisher:
Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií Abstract:
[cze][eng]
Tato diplomová práce se zabývá výzkumem technologií, využívajících metod hlubokého učení, využitelných při zpracovávání obrazových dat. Konkrétním zaměřením práce je zhodnotit vhodnost a efektivnost hlubokého učení při porovnávání dvou vstupních obrazových dat. První – teoretická – část zahrnuje úvod do problematiky neuronových sítí a hlubokého učení. Obsahuje popis dostupných možností a jejich výhody a principy, vhodné při zpracování obrazových dat. Druhá – praktická – část práce obsahuje návrh vhodného modelu siamských sítí pro řešení problému problematiky porovnávání dvou vstupních obrazů a vyhodnocení jejich podobnosti. Výstupem je zhodnocení několika možných konfigurací modelu a vyzdvihnutí parametrů modelu s nejlepšími výsledky.
This master´s thesis deals with the reseach of technologies using deep learning method, being able to use when processing image data. Specific focus of the work is to evaluate the suitability and effectiveness of deep learning when comparing two image input data. The first – theoretical – part consists of the introduction to neural networks and deep learning. Also, it contains a description of available methods, their benefits and principles, used for processing image data. The second - practical - part of the thesis contains a proposal a appropriate model of Siamese networks to solve the problem of comparing two input image data and evaluating their similarity. The output of this work is an evaluation of several possible model configurations and highlighting the best-performing model parameters.
Keywords:
artifical; comparsion; convolution; convolutional; dataset; deep; filter.; Image; intelligence; Keras; layer; learning; machine; model; network; neuron; pooling; PyCharm; Python; siamese; similarity; TensorFlow; testing; training; validation; dataset; filtr.; hluboké; inteligence; Keras; konvoluce; konvoluční; model; neuron; neuronová; Obraz; podobnost; porovnání; PyCharm; Python; sdružování; siamská; strojové; síť; TensorFlow; testování; trénování; umělá; učení; validace; vrstva
Institution: Brno University of Technology
(web)
Document availability information: Fulltext is available in the Brno University of Technology Digital Library. Original record: http://hdl.handle.net/11012/80851