Meření podobnosti obrazů s pomocí hlubokého učení

Simple item page
but.committeeprof. Ing. Vladimír Wieser, Ph.D. (předseda) doc. Ing. Karel Burda, CSc. (místopředseda) prof. Mgr. Pavel Rajmic, Ph.D. (člen) Ing. Michal Lares, Ph.D. (člen) doc. Ing. Vít Novotný, Ph.D. (člen) Ing. Pavel Bezpalec, Ph.D. (člen)cs
but.defenceOdůvodněte proč větší množství epoch ve Vašem případě vede k horším výsledkům? - student odpověděl správně Jaké si představujete praktické použití a s jakou přesností by program musel pracovat v jednotlivých reálných případech užití, aby byl použitelný. - student odpověděl dostatečněcs
but.jazykčeština (Czech)
but.programElektrotechnika, elektronika, komunikační a řídicí technikacs
but.resultpráce byla úspěšně obhájenacs
dc.contributor.advisorRajnoha, Martincs
dc.contributor.authorŠtarha, Dominikcs
dc.contributor.refereeŠeda, Pavelcs
dc.date.created2018cs
dc.description.abstractTato diplomová práce se zabývá výzkumem technologií, využívajících metod hlubokého učení, využitelných při zpracovávání obrazových dat. Konkrétním zaměřením práce je zhodnotit vhodnost a efektivnost hlubokého učení při porovnávání dvou vstupních obrazových dat. První – teoretická – část zahrnuje úvod do problematiky neuronových sítí a hlubokého učení. Obsahuje popis dostupných možností a jejich výhody a principy, vhodné při zpracování obrazových dat. Druhá – praktická – část práce obsahuje návrh vhodného modelu siamských sítí pro řešení problému problematiky porovnávání dvou vstupních obrazů a vyhodnocení jejich podobnosti. Výstupem je zhodnocení několika možných konfigurací modelu a vyzdvihnutí parametrů modelu s nejlepšími výsledky.cs
dc.description.abstractThis master´s thesis deals with the reseach of technologies using deep learning method, being able to use when processing image data. Specific focus of the work is to evaluate the suitability and effectiveness of deep learning when comparing two image input data. The first – theoretical – part consists of the introduction to neural networks and deep learning. Also, it contains a description of available methods, their benefits and principles, used for processing image data. The second - practical - part of the thesis contains a proposal a appropriate model of Siamese networks to solve the problem of comparing two input image data and evaluating their similarity. The output of this work is an evaluation of several possible model configurations and highlighting the best-performing model parameters.en
dc.description.markBcs
dc.identifier.citationŠTARHA, D. Meření podobnosti obrazů s pomocí hlubokého učení [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2018.cs
dc.identifier.other110079cs
dc.identifier.urihttp://hdl.handle.net/11012/80851
dc.language.isocscs
dc.publisherVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologiícs
dc.rightsStandardní licenční smlouva - přístup k plnému textu bez omezenícs
dc.subjectObrazcs
dc.subjectporovnánícs
dc.subjectpodobnostcs
dc.subjectdatasetcs
dc.subjecthlubokécs
dc.subjectučenícs
dc.subjectumělács
dc.subjectinteligencecs
dc.subjectstrojovécs
dc.subjectučenícs
dc.subjectkonvolučnícs
dc.subjectvrstvacs
dc.subjectkonvolucecs
dc.subjectsdružovánícs
dc.subjectmodelcs
dc.subjectsiamskács
dc.subjectneuronovács
dc.subjectsíťcs
dc.subjecttrénovánícs
dc.subjectvalidacecs
dc.subjecttestovánícs
dc.subjectKerascs
dc.subjectTensorFlowcs
dc.subjectPythoncs
dc.subjectPyCharmcs
dc.subjectneuroncs
dc.subjectfiltr.cs
dc.subjectImageen
dc.subjectcomparsionen
dc.subjectsimilarityen
dc.subjectdataseten
dc.subjectdeepen
dc.subjectlearningen
dc.subjectartificalen
dc.subjectintelligenceen
dc.subjectmachineen
dc.subjectlearningen
dc.subjectconvolutionalen
dc.subjectlayeren
dc.subjectconvolutionen
dc.subjectpoolingen
dc.subjectmodelen
dc.subjectsiameseen
dc.subjectneuronen
dc.subjectnetworken
dc.subjecttrainingen
dc.subjectvalidationen
dc.subjecttestingen
dc.subjectKerasen
dc.subjectTensorFlowen
dc.subjectPythonen
dc.subjectPyCharmen
dc.subjectneuronen
dc.subjectfilter.en
dc.titleMeření podobnosti obrazů s pomocí hlubokého učenícs
dc.title.alternativeImage similarity measuring using deep learningen
dc.typeTextcs
dc.type.drivermasterThesisen
dc.type.evskpdiplomová prácecs
dcterms.dateAccepted2018-06-06cs
dcterms.modified2018-06-08-11:09:56cs
eprints.affiliatedInstitution.facultyFakulta elektrotechniky a komunikačních technologiícs
sync.item.dbid110079en
sync.item.dbtypeZPen
sync.item.insts2025.03.26 13:32:19en
sync.item.modts2025.01.15 14:11:58en
thesis.disciplineTelekomunikační a informační technikacs
thesis.grantorVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. Ústav telekomunikacícs
thesis.levelInženýrskýcs
thesis.nameIng.cs
Files
Original bundle
Now showing 1 - 3 of 3
Thumbnail Image
Name:
final-thesis.pdf
Size:
4.93 MB
Format:
Adobe Portable Document Format
Description:
final-thesis.pdf
Download
Thumbnail Image
Name:
appendix-1.zip
Size:
6.29 KB
Format:
zip
Description:
appendix-1.zip
Download
Thumbnail Image
Name:
review_110079.html
Size:
5.33 KB
Format:
Hypertext Markup Language
Description:
file review_110079.html
Download
Collections
2018