Metody strojového učení hlubokých neuronových sítí s omezenými datasety

Simple item page
but.committeeprof. Ing. Martin Augustynek, Ph.D. (předseda) Ing. Martin Mézl, Ph.D. (místopředseda) Ing. Vratislav Harabiš, Ph.D. (člen) Ing. Filip Plešinger, Ph.D. (člen) Ing. Tomáš Vičar, Ph.D. (člen) prof. Ing. Valentýna Provazník, Ph.D. (člen)cs
but.defenceStudent prezentoval výsledky své práce a komise byla seznámena s posudky. Student obhájil diplomovou práci a odpověděl na otázky členů komise a oponenta.cs
but.jazykslovenština (Slovak)
but.programBioinženýrstvícs
but.resultpráce byla úspěšně obhájenacs
dc.contributor.advisorJakubíček, Romansk
dc.contributor.authorNémeth, Filipsk
dc.contributor.refereeVičar, Tomášsk
dc.date.created2024cs
dc.description.abstractDiplomová práca sa zameriava na preskúmanie efektívnosti hlbokých neurónových sietí pri spracovaní obrazových dát s obmedzeným množstvom trénovacích dát. Vrámci práce sa analyzovali vplyvy rôznych techník a prístupov na učenie týchto sietí, vrátane transferového učenia, dátovej augmentácie a metódy prenosu neurónového štýlu. Výsledky experimentov naznačujú, že transferové učenie s využitím pretrénovaných váh z veľkých datasetov ako ImageNet je efektívne pri zlepšovaní výsledkov na obmedzených dátach, dosahujúc vysoké F1-skóre. Využitie rozličných foriem dátovej augmentácie môže viesť k variabilným výsledkom, kde poskytuje rôzne výhody a nevýhody, ktoré majú významný vplyv na úspešnosť a efektivitu modelov. Metóda využívajúca sieť na prenos neurónového štýlu nepriniesla vo všeobecnosti výraznejšie zlepšenie a hlavne sa ukázala ako menej účinná v prípade datasetu s veľkou diverzitou perspektív a geometrických vlastností.sk
dc.description.abstractThe master thesis aims to investigate the effectiveness of deep neural networks in image processing with limited training data. As part of the work, the effects of various techniques and approaches on the learning of these networks were analyzed, including transfer learning, data augmentation, and neural style transfer method. Experimental results suggest that transfer learning using pre-trained weights from large datasets such as ImageNet is effective in improving results on limited data, achieving high F1-scores. The use of different forms of data augmentation can lead to variable results, where it provides different advantages and disadvantages that have a significant impact on the success and efficiency of the models. In general, the method using a neural style transfer network does not yield significant improvements and proved less effective for dataset with a large diversity of perspectives and geometric features.en
dc.description.markBcs
dc.identifier.citationNÉMETH, F. Metody strojového učení hlubokých neuronových sítí s omezenými datasety [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2024.cs
dc.identifier.other159771cs
dc.identifier.urihttp://hdl.handle.net/11012/247168
dc.language.isoskcs
dc.publisherVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologiícs
dc.rightsStandardní licenční smlouva - přístup k plnému textu bez omezenícs
dc.subjecthlboké učeniesk
dc.subjectobmedzený datasetsk
dc.subjectklasifikáciask
dc.subjecttransferové učeniesk
dc.subjectdátová augmentáciask
dc.subjectprenos neurónového štýlusk
dc.subjectdeep learningen
dc.subjectlimited dataseten
dc.subjectclassificationen
dc.subjecttransfer learningen
dc.subjectdata augmentationen
dc.subjectneural style transferen
dc.titleMetody strojového učení hlubokých neuronových sítí s omezenými datasetysk
dc.title.alternativeDeep neural network learning methods with limited datasetsen
dc.typeTextcs
dc.type.drivermasterThesisen
dc.type.evskpdiplomová prácecs
dcterms.dateAccepted2024-06-11cs
dcterms.modified2024-06-11-15:19:38cs
eprints.affiliatedInstitution.facultyFakulta elektrotechniky a komunikačních technologiícs
sync.item.dbid159771en
sync.item.dbtypeZPen
sync.item.insts2025.03.26 14:42:27en
sync.item.modts2025.01.15 19:20:47en
thesis.disciplinebez specializacecs
thesis.grantorVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. Ústav biomedicínského inženýrstvícs
thesis.levelInženýrskýcs
thesis.nameIng.cs
Files
Original bundle
Now showing 1 - 3 of 3
Thumbnail Image
Name:
final-thesis.pdf
Size:
14.1 MB
Format:
Adobe Portable Document Format
Description:
file final-thesis.pdf
Download
Thumbnail Image
Name:
appendix-1.zip
Size:
256.52 KB
Format:
Unknown data format
Description:
file appendix-1.zip
Download
Thumbnail Image
Name:
review_159771.html
Size:
6.83 KB
Format:
Hypertext Markup Language
Description:
file review_159771.html
Download
Collections
2024