Jednotřídní vizuální klasifikace

Abstract

Tato diplomová práce řeší problematiku detekce zdravotního stavu chameleona jemenského. Cílem bylo navrhnout, implementovat a ověřit demonstrační úlohu bezkontaktní vizuální detekce nemocí a úrazů projevujících se kožními změnami. Navržené řešení využívalo hlubokých metod strojového učení, zejména algoritmu detekce anomálií PatchCore, jehož výstupní anomální skóre bylo pro dosažení co nejlepších výsledků upravováno implementací Minkowského vzdálenosti. Na vytvořeném datasetu lokálních obrazových výřezů a segmentovaných trupů byla provedena řada experimentů. Při validaci modelu natrénovaného pro detekci nodulárních útvarů byla změřena hodnota AUC ROC = 0,949.This thesis addresses the issue of detecting the health status of the veiled chameleon. The goal was to design, implement and verify a demonstration task of visually detecting diseases and injuries manifested by skin changes whilst making no direct contact with the animal. The proposed solution utilized deep machine learning methods, particularly the PatchCore anomaly detection algorithm, whose output anomaly score was adjusted using Minkowski distance to achieve the best possible results. A series of experiments was conducted on the created dataset of local image croppings and segmented torsos. During the validation of the model trained for the detection of nodular formations, an AUC ROC = 0,949 value was measured.