Název: Hluboké neuronové sítě v rozpoznávání obrazu
Překlad názvu: Deep Learning for Image Recognition
Autoři: Munzar, Milan ; Kolář, Martin (oponent) ; Hradiš, Michal (vedoucí práce)
Typ dokumentu: Bakalářské práce
Rok: 2013
Jazyk: cze
Nakladatel: Vysoké učení technické v Brně. Fakulta informačních technologií
Abstrakt: [cze] [eng]
Neuronové sítě jsou dnes jeden z nejúspěšnějších modelů pro strojové učení. Můžeme je nalézt v autonomínch robotických systémech, v rozpoznávání objektů i řeči, predikci a mnoha jiných odvětvích umělé inteligence. Tato práce seznámí čtenáře s tímto modelem a jeho rozšířením, které se používá pro rozpoznávání objektů. Posléze popisuje aplikaci těchto konvolučních neuronových sítí(CNNs) pro klasifikaci obrazků na datasetech Caltech101 a Cifar-10. Na příkladu této aplikace diskutuje a měří efektivnost různých technik používaných v CNNs. Výsledky ukazují, že tyto sítě jsou bez dalších rozšíření schopné dosáhnout 80\% přesnosti na datasetu Cifar-10 a 37\% přesnosti na datasetu Caltech101. Neural networks are one of the state-of-the-art models for machine learning today. One may found them in autonomous robot systems, object and speech recognition, prediction and many others AI tasks. The thesis describes this model and its extension which is used in an object recognition. Then explains an application of a convolutional neural networks(CNNs) in an image recognition on Caltech101 and Cifar10 datasets. Using this exemplar application, the thesis discusses and measures efficiency of techniques used in CNNs. Results show that the convolutional networks without advanced extensions are able to reach a 80\% recognition accuracy on Cifar-10 and a 37\% accuracy on Caltech101.
Klíčová slova: Caltech101; Cifar-10; hluboké neuronové sítě; hluboké učení; konvoluční neuronové sítě; logistická regrese; metoda největšího spádu; nelineární hypotéza; neuronové sítě; rozpoznávání objektů; rozpoznávání obrázků; Caltech101; Cifar-10; convolutional neural networks; deep learning; gradient descent; image recognition; logistic regression; neural networks; non-linear hypothesis; object recognition

Instituce: Vysoké učení technické v Brně (web)
Informace o dostupnosti dokumentu: Plný text je dostupný v Digitální knihovně VUT.
Původní záznam: http://hdl.handle.net/11012/55010

Trvalý odkaz NUŠL: http://www.nusl.cz/ntk/nusl-605973


Záznam je zařazen do těchto sbírek:
Školství > Veřejné vysoké školy > Vysoké učení technické v Brně
Vysokoškolské kvalifikační práce > Bakalářské práce