Použití self-supervised learning pro rozpoznání pozic rukou v obraze

Simple item page
but.committeedoc. Ing. Martin Čadík, Ph.D. (předseda) doc. Ing. Zdeněk Vašíček, Ph.D. (člen) Ing. Šárka Květoňová, Ph.D. (člen) Ing. Filip Orság, Ph.D. (člen) Ing. Michal Španěl, Ph.D. (člen)cs
but.defenceStudentka nejprve prezentovala výsledky, kterých dosáhla v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Studentka následně odpověděla na otázky oponenta a na další otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studentky na položené otázky rozhodla práci hodnotit stupněm B.cs
but.jazykslovenština (Slovak)
but.programInformační technologiecs
but.resultpráce byla úspěšně obhájenacs
dc.contributor.advisorHerout, Adamsk
dc.contributor.authorMakaiová, Luciask
dc.contributor.refereeKocur, Viktorsk
dc.date.accessioned2023-07-17T09:00:22Z
dc.date.available2023-07-17T09:00:22Z
dc.date.created2023cs
dc.description.abstractPráca sa zaoberá self-supervised prístupom k strojovému učeniu pre natrénovanie rozpoznávania pozícií rúk v obraze. Použila som kontrastívnu metódu self-supervised učenia a iteratívne optimalizovala riešenie použitím techník early stopping, triplet mining, optimalizovaním hyperparametrov či experimentovaním s rôznymi modelmi. Metódu som implementovala pomocou frameworku Pytorch a pre spracovanie a vizualizáciu dát som využívala nástroj TensorBoard. Pre referenčné výsledky som natrénovala model pomocou učenia s učiteľom. Podarilo sa mi dosiahnuť úspešnosť 83% na datasete Handz, čím sa metóda vyrovnala referenčným výsledkom. Vytvorené riešenie poskytuje informácie, ktoré je možné aplikovať pri využití self-supervised metódy pre podobné problémy, akými je napríklad rozpoznávanie športových pozícií. Hlavným výsledkom je zistenie, že self-supervised metódy sú obzvlášť vhodné pokiaľ je k dispozícii pre trénovanie len obmedzený počet označených dát, ktoré sú navyše reprezentované veľmi nerovnomerným počtom vzoriek. Na základe zistených údajov je možné vytvoriť metódu pre rozpoznávanie športových pozícii alebo ďalej optimalizovať existujúce riešenie.sk
dc.description.abstractThis work focuses on using self-supervised learning for the task of hand poses recognition in image. I have used contrastive method of self-supervised learning and optimized the solution iteratively, using techniques such as early stopping, triplet mining, optimization of hyperparameters or experimenting with various model architectures. The method was implemented with Pytorch framework and Tensorboard was used for data processing and visualization. I have trained the first model using a supervised method, to obtain reference values. I have successfully matched this reference result by training a self-supervised model on Handz dataset and achieving 83% accuracy. The created solution provides findings, which can be applied to similar problems, such as recognition of sport poses. The main contribution of this work is the discovery, that self-supervised methods are particularly effective when using a labeled dataset for downstream task with just a small amount of samples, which in addition have uneven distribution of samples for individual classes. Based on these findings, it is possible to create a method for self-supervised learning for recognition of sport poses or further optimize existing solution for hand poses.en
dc.description.markBcs
dc.identifier.citationMAKAIOVÁ, L. Použití self-supervised learning pro rozpoznání pozic rukou v obraze [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2023.cs
dc.identifier.other139616cs
dc.identifier.urihttp://hdl.handle.net/11012/212675
dc.language.isoskcs
dc.publisherVysoké učení technické v Brně. Fakulta informačních technologiícs
dc.rightsStandardní licenční smlouva - přístup k plnému textu bez omezenícs
dc.subjectspracovanie obrazusk
dc.subjectstrojové učeniesk
dc.subjectneurónové sietesk
dc.subjectself-supervised učeniesk
dc.subjecttriplet losssk
dc.subjectrozpoznávanie pozíciísk
dc.subjectpočítačové videniesk
dc.subjectimage recognitionen
dc.subjectmachine learningen
dc.subjectneural networksen
dc.subjectself-supervised learningen
dc.subjecttriplet lossen
dc.subjectrecognition of posesen
dc.subjectcomputer visionen
dc.titlePoužití self-supervised learning pro rozpoznání pozic rukou v obrazesk
dc.title.alternativeSelf-Supervised Learning for Recognition of Hand Poses in Imageen
dc.typeTextcs
dc.type.driverbachelorThesisen
dc.type.evskpbakalářská prácecs
dcterms.dateAccepted2023-06-13cs
dcterms.modified2023-06-13-14:38:42cs
eprints.affiliatedInstitution.facultyFakulta informačních technologiícs
sync.item.dbid139616en
sync.item.dbtypeZPen
sync.item.insts2023.07.17 11:00:22en
sync.item.modts2023.07.17 09:49:03en
thesis.disciplineInformační technologiecs
thesis.grantorVysoké učení technické v Brně. Fakulta informačních technologií. Ústav počítačové grafiky a multimédiícs
thesis.levelBakalářskýcs
thesis.nameBc.cs
Files
Original bundle
Now showing 1 - 3 of 3
Thumbnail Image
Name:
final-thesis.pdf
Size:
8.67 MB
Format:
Adobe Portable Document Format
Description:
final-thesis.pdf
Download
Thumbnail Image
Name:
appendix-1.pdf
Size:
10.48 MB
Format:
Adobe Portable Document Format
Description:
appendix-1.pdf
Download
Thumbnail Image
Name:
review_139616.html
Size:
9.31 KB
Format:
Hypertext Markup Language
Description:
review_139616.html
Download
Collections
2023