Strojové učení v klasifikaci obrazu
Loading...
Date
Authors
Král, Jiří
ORCID
Advisor
Referee
Mark
A
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract
Práce se zabývá hledáním a analýzou statistických modelů a algoritmických postupů, které mají potenciál zlepšit výsledky FIT VUT v Brně na soutěžích zabývajících se klasifi kací obrazu jako jsou ImageNet Large Scale Visual Recognition Challenge a TRECVID. V práci byl otestován multinomiální model, také byl použit model Phonotactic Intersession Variation Compensation (PIVCO) pro adaptaci náhodných vlivů v obrazové reprezentaci a dále pak pro redukci dimenzionality. Dále byl analyzován model KPCA, kterým se emulovala Kernel SVM klasi kace. Všechny statistické modely byly testovány na Pascal VOC 2007 datasetu.
This project deals vith analysis and testing of algorithms and statistical models, that could potentionaly improve resuts of FIT BUT in ImageNet Large Scale Visual Recognition Challenge and TRECVID. Multinomial model was tested. Phonotactic Intersession Variation Compensation (PIVCO) model was used for reducing random e ffects in image representation and for dimensionality reduction. PIVCO - dimensionality reduction achieved the best mean average precision while reducing to one-twenyth of original dimension. KPCA model was tested to approximate Kernel SVM. All statistical models were tested on Pascal VOC 2007 dataset.
This project deals vith analysis and testing of algorithms and statistical models, that could potentionaly improve resuts of FIT BUT in ImageNet Large Scale Visual Recognition Challenge and TRECVID. Multinomial model was tested. Phonotactic Intersession Variation Compensation (PIVCO) model was used for reducing random e ffects in image representation and for dimensionality reduction. PIVCO - dimensionality reduction achieved the best mean average precision while reducing to one-twenyth of original dimension. KPCA model was tested to approximate Kernel SVM. All statistical models were tested on Pascal VOC 2007 dataset.
Description
Citation
KRÁL, J. Strojové učení v klasifikaci obrazu [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2011.
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
Inteligentní systémy
Comittee
prof. RNDr. Milan Češka, CSc. (předseda)
doc. Ing. Vladimír Janoušek, Ph.D. (místopředseda)
Ing. Vladimír Bartík, Ph.D. (člen)
doc. Ing. Michal Bidlo, Ph.D. (člen)
Prof. RNDr. Milan Mišovič, CSc. (člen)
Dr. Ing. Petr Peringer (člen)
Date of acceptance
2011-06-20
Defence
Student nejprve prezentoval výsledky, kterých dosáhl v rámci své práce. Komise se pak 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: Proč jste při experimentování s PIVCO pro redukci dimenzionality použil jiný typ SVM (jádra) pro neredukovaná a redukovaná data? Na str. 29 mluvíte o experimentech s vlivem "regularizace trénovacího algoritmu". Co tento pojem znamená a kde najdeme výsledky experimentu? Narazil jste při svém experimentování na nějaké omezení velikosti trénovacích dat (např. rozměr vstupní matice pro Vaši PCA analýzu "nad jádrem")? Případně jak byste si poradil s opravdu obrovskými daty?
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení