Anotátor datové sady pro trénování neuronových sítí
Loading...
Date
Authors
Schneider, Martin
ORCID
Advisor
Referee
Mark
C
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract
Cílem práce je návrh a implementace systému umožňujícího anotovat obrazová data pro učení neuronových sítí. Důležitou vlastností tohoto systému je iterativní provádění učení, kdy anotovanou množinu rozšiřuje i sama neuronová síť a uživatelé provádí korekce nad rozšiřujícími daty. Systém se skládá z informačního systému s vloženým nástrojem pro anotování komunikujícím s programem řídícím neuronové sítě. Informační systém je navržen podle architektonického modelu MVC. Frontend aplikace je postaven na knihovně React jazyka JavaScript. Design frontendu je proveden dle konvencí Material Design s využitím Material-UI frameworku. Frontend udržuje trvalé spojení s Python backendem s využitím protokolu WebSocket, jehož využívá i backend pro komunikaci s programem pro řízení neuronových sítí. NoSQL databázový systém využívá technologii MongoDB.
The goal of this thesis is design and implementation of a system for image data annotation which will learn neural networks. An important feature of this system is the iterative approach of learning, where the annotated set is extended by the neural network itself and users make corrections of these extensions. The system consists of an information system with an embedded annotation tool. Information system communicates with neural network management program. The information system is designed according to the MVC architectural model. The frontend of the application is built on JavaScript library - React and is designed according to Material Design conventions using the Material-UI framework. The frontend maintains a permanent connection to the Python backend using the WebSocket protocol, which is also used by the backend to communicate with the neural network management program. The NoSQL database system uses MongoDB technology.
The goal of this thesis is design and implementation of a system for image data annotation which will learn neural networks. An important feature of this system is the iterative approach of learning, where the annotated set is extended by the neural network itself and users make corrections of these extensions. The system consists of an information system with an embedded annotation tool. Information system communicates with neural network management program. The information system is designed according to the MVC architectural model. The frontend of the application is built on JavaScript library - React and is designed according to Material Design conventions using the Material-UI framework. The frontend maintains a permanent connection to the Python backend using the WebSocket protocol, which is also used by the backend to communicate with the neural network management program. The NoSQL database system uses MongoDB technology.
Description
Keywords
anotátor, anotační nástroj, iterativní učení, neuronová síť, grafické uživatelské rozhraní, webová aplikace, informační systém, JavaScript, React, Material Design, Python, MongoDB, WebSocket, annotator, annotation tool, iterative learning, neural network, graphical user interface, web application, information system, JavaScript, React, Material Design, Python, MongoDB, WebSocket
Citation
SCHNEIDER, M. Anotátor datové sady pro trénování neuronových sítí [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2021.
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
Informační technologie
Comittee
doc. RNDr. Pavel Smrž, Ph.D. (předseda)
doc. RNDr. Jitka Kreslíková, CSc. (místopředseda)
Ing. Ivana Burgetová, Ph.D. (člen)
Dr. Ing. Petr Peringer (člen)
Ing. Josef Strnadel, Ph.D. (člen)
Date of acceptance
2021-06-16
Defence
Student nejprve prezentoval výsledky, kterých dosáhl v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Student následně odpověděl na otázky oponenta a na další otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm C. Otázky u obhajoby: Jaké typy anotací aplikace podporuje a jaká je jejich reprezentace? K čemu slouží zanořování datových sad?
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení