but.committee	prof. Ing. Adam Herout, Ph.D. (předseda) doc. Dr. Ing. Otto Fučík (místopředseda) doc. Ing. Vítězslav Beran, Ph.D. (člen) doc. Ing. Radek Burget, Ph.D. (člen) doc. Mgr. Lukáš Holík, Ph.D. (člen)	cs
but.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 A. Otázky u obhajoby: Umožňují metody pro hodnocení neurčitosti predikcí neuronových sítí lépe detekovat data, které nejsou součástí cílové domény (outliers)? Proč se při trénování parametru T, u metody Temperature Scaling, používá oddělená trénovací sada?	cs
but.jazyk	čeština (Czech)
but.program	Informační technologie	cs
but.result	práce byla úspěšně obhájena	cs
dc.contributor.advisor	Herout, Adam	cs
dc.contributor.author	Vlasák, Jiří	cs
dc.contributor.referee	Kohút, Jan	cs
dc.date.created	2022	cs
dc.description.abstract	Tato práce se zaměřuje na porovnání tří široce používaných metod pro zlepšení odhadů neurčitosti: hlubokých ansámlů, monte carlo dropout a temperature scaling. Tyto metody jsou aplikovány na šest modelů pro počítačové vidění, mezi nimiž jsou předtrénované modely i modely trénované od nuly. Tyto modely jsou hodnoceny na datasetech počítačového vidění pro úlohy klasifikace, sémantické segmentace a detekce objektů, při použití široké škály metrik. Modely jsou rovněž evaluovány na transformovaných datasetech, kvůli jejich ohodnocení na datech mimo trénovací distribuci. Tyto modifikované modely dosahují slibných výsledků. Ansámbly překonávají ostatní modely až o 70 % v přesnosti a o 0.2 v IOU na transformovaném segmentačním datasetu MedSeg COVID-19 a zároveň překonávají ostatní modely na datasetech CIFAR-100 a FMNIST.	cs
dc.description.abstract	This work focuses on comparing three widely used methods for improving uncertainty estimations: Deep Ensembles, Monte Carlo Dropout, and Temperature Scaling. These methods are applied to six computer vision models that are pretrained as well as trained from scratch. The models are then evaluated on computer vision datasets for classification, semantic segmentation, and object detection using a wide range of metrics. The models are also evaluated on distorted versions of these datasets to measure their performance on out-of-distribution data. These modified models achieve promising results. Ensembles outperform the other models by as high as 70 % in accuracy and 0.2 in IOU on the distorted MedSeg COVID-19 segmentation dataset while also outperforming the other models on the CIFAR-100 and FMNIST datasets.	en
dc.description.mark	A	cs
dc.identifier.citation	VLASÁK, J. Hodnocení neurčitosti predikcí neuronových sítí v úlohách klasifikace, detekce a segmentace [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2022.	cs
dc.identifier.other	145277	cs
dc.identifier.uri	http://hdl.handle.net/11012/207397
dc.language.iso	cs	cs
dc.publisher	Vysoké učení technické v Brně. Fakulta informačních technologií	cs
dc.rights	Standardní licenční smlouva - přístup k plnému textu bez omezení	cs
dc.subject	monte carlo dropout	cs
dc.subject	hluboké ansámbly	cs
dc.subject	temperature scaling	cs
dc.subject	klasifikace	cs
dc.subject	sémantická segmentace	cs
dc.subject	detekce objektů	cs
dc.subject	posunutí datasetu	cs
dc.subject	kalibrace modelů	cs
dc.subject	FMNIST	cs
dc.subject	CIFAR-100	cs
dc.subject	PASCAL-VOC	cs
dc.subject	monte carlo dropout	en
dc.subject	deep ensembles	en
dc.subject	temperature scaling	en
dc.subject	classification	en
dc.subject	semantic segmentation	en
dc.subject	object detection	en
dc.subject	dataset shift	en
dc.subject	model calibration	en
dc.subject	FMNIST	en
dc.subject	CIFAR-100	en
dc.subject	PASCAL-VOC	en
dc.title	Hodnocení neurčitosti predikcí neuronových sítí v úlohách klasifikace, detekce a segmentace	cs
dc.title.alternative	Assessment of Uncertainty of Neural Net Predictions in the Tasks of Classification, Detection and Segmentation	en
dc.type	Text	cs
dc.type.driver	bachelorThesis	en
dc.type.evskp	bakalářská práce	cs
dcterms.dateAccepted	2022-06-13	cs
dcterms.modified	2022-06-20-10:23:15	cs
eprints.affiliatedInstitution.faculty	Fakulta informačních technologií	cs
sync.item.dbid	145277	en
sync.item.dbtype	ZP	en
sync.item.insts	2025.03.18 19:42:53	en
sync.item.modts	2025.01.15 18:19:41	en
thesis.discipline	Informační technologie	cs
thesis.grantor	Vysoké učení technické v Brně. Fakulta informačních technologií. Ústav počítačové grafiky a multimédií	cs
thesis.level	Bakalářský	cs
thesis.name	Bc.	cs

Hodnocení neurčitosti predikcí neuronových sítí v úlohách klasifikace, detekce a segmentace

Files

Original bundle

Collections