Metody segmentace obrazu s malými trénovacími množinami
| but.committee | doc. Ing. Jan Jeřábek, Ph.D. (předseda) doc. Ing. Martin Kyselák, Ph.D. (místopředseda) Ing. Jiří Přinosil, Ph.D. (člen) doc. Ing. Pavel Šilhavý, Ph.D. (člen) Ing. Ján Sláčik (člen) Ing. Ondřej Mokrý, Ph.D. (člen) | cs |
| but.defence | Student prezentoval výsledky své práce a komise byla seznámena s posudky. Student obhájil diplomovou práci a odpověděl na otázky členů komise a oponenta. Otázky oponenta: Z jakých parametrů je počítána ztrátová funkce v případu ze strany 14? Jaké hodnoty má ztrátová funkce na vstupu? -Student dostatečně vysvětlil otázku. | cs |
| but.jazyk | slovenština (Slovak) | |
| but.program | Elektrotechnika, elektronika, komunikační a řídicí technika | cs |
| but.result | práce byla úspěšně obhájena | cs |
| dc.contributor.advisor | Burget, Radim | sk |
| dc.contributor.author | Horečný, Peter | sk |
| dc.contributor.referee | Kolařík, Martin | sk |
| dc.date.created | 2020 | cs |
| dc.description.abstract | Cieľom tejto práce bolo navrhnúť metódu segmentácie obrazu, ktorá dokáže efektívne pracovať aj s dátovými množinami malej veľkosti. Bola k tomu využitá nedávno publikovaná neurónová sieť ODE, ktorá by vďaka svojim vlastnostiam mala dosahovať lepšej generalizácie v prípade riešenia úlohy s malým množstvom trénovacích dát. Navrhnutá sieť ODE-UNet vznikla kombináciou architektúry UNet a siete ODE, pričom využíva výhod oboch sietí. Na ISBI dátovej sade bolo dosiahnutých presností Rand: 0,950272 a Info: 0,978061 na testovacích snímkoch, čím bola prekonaná presnosť siete UNet, ktorá bola takisto v tejto práci testovaná. Týmito výsledkami bolo ale preukázané, že pomocou ODE sietí nie je možné prekonať stav vedy a techniky. Avšak preukázaných bolo aj niekoľko výhod oproti testovanej UNet architektúre a aktuálne používaným metódam a v rámci ďalšieho rozširovania by bolo možné výsledky stále zlepšovať. | sk |
| dc.description.abstract | The goal of this thesis was to propose an image segmentation method, which is capable of effective segmentation process with small datasets. Recently published ODE neural network was used for this method, because its features should provide better generalization in case of tasks with only small datasets available. The proposed ODE-UNet network was created by combining UNet architecture with ODE neural network, while using benefits of both networks. ODE-UNet reached following results on ISBI dataset: Rand: 0,950272 and Info: 0,978061. These results are better than the ones received from UNet model, which was also tested in this thesis, but it has been proven that state of the art can not be outperformed using ODE neural networks. However, the advantages of ODE neural network over tested UNet architecture and other methods were confirmed, and there is still a room for improvement by extending this method. | en |
| dc.description.mark | A | cs |
| dc.identifier.citation | HOREČNÝ, P. Metody segmentace obrazu s malými trénovacími množinami [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2020. | cs |
| dc.identifier.other | 126029 | cs |
| dc.identifier.uri | http://hdl.handle.net/11012/189128 | |
| dc.language.iso | sk | cs |
| dc.publisher | Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií | cs |
| dc.rights | Standardní licenční smlouva - přístup k plnému textu bez omezení | cs |
| dc.subject | ISBI dátová sada | sk |
| dc.subject | malé trénovacie množiny | sk |
| dc.subject | metódy segmentácie | sk |
| dc.subject | ODE neurónová sieť | sk |
| dc.subject | počítačové videnie | sk |
| dc.subject | segmentácia obrazu | sk |
| dc.subject | spracovanie obrazu | sk |
| dc.subject | strojové učenie | sk |
| dc.subject | umelá inteligencia | sk |
| dc.subject | UNet | sk |
| dc.subject | ISBI dataset | en |
| dc.subject | small training datasets | en |
| dc.subject | segmentation methods | en |
| dc.subject | ODE neural network | en |
| dc.subject | computer vision | en |
| dc.subject | image segmentation | en |
| dc.subject | image processing | en |
| dc.subject | machine learning | en |
| dc.subject | artificial intelligence | en |
| dc.subject | UNet | en |
| dc.title | Metody segmentace obrazu s malými trénovacími množinami | sk |
| dc.title.alternative | Image segmentation methods with limited data sets | en |
| dc.type | Text | cs |
| dc.type.driver | masterThesis | en |
| dc.type.evskp | diplomová práce | cs |
| dcterms.dateAccepted | 2020-06-16 | cs |
| dcterms.modified | 2020-06-17-06:16:18 | cs |
| eprints.affiliatedInstitution.faculty | Fakulta elektrotechniky a komunikačních technologií | cs |
| sync.item.dbid | 126029 | en |
| sync.item.dbtype | ZP | en |
| sync.item.insts | 2025.03.26 14:22:39 | en |
| sync.item.modts | 2025.01.15 12:54:43 | en |
| thesis.discipline | Telekomunikační a informační technika | cs |
| thesis.grantor | Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. Ústav telekomunikací | cs |
| thesis.level | Inženýrský | cs |
| thesis.name | Ing. | cs |