Self-supervised učení v aplikacích počítačového vidění

Simple item page
but.committeeprof. Ing. Pavel Václavek, Ph.D. (předseda) doc. Ing. Zdeněk Bradáč, Ph.D. (místopředseda) Ing. Zdeněk Havránek, Ph.D. (člen) Ing. Ilona Janáková, Ph.D. (člen) Ing. Petr Petyovský, Ph.D. (člen)cs
but.defenceStudent obhájil diplomovou práci. Komise neměla žádné námitky k řešené práci. V průběhu odborné rozpravy odpověděl na dotazy: - Jakého typu byla klasifikace - binární, nebo do více tříd? - Stručně shrňte použité metody. - Jakým způsobem jste vybral základní model neuronové sítě?cs
but.jazykslovenština (Slovak)
but.programKybernetika, automatizace a měřenícs
but.resultpráce byla úspěšně obhájenacs
dc.contributor.advisorJanáková, Ilonask
dc.contributor.authorVančo, Timotejsk
dc.contributor.refereeRichter, Miloslavsk
dc.date.created2021cs
dc.description.abstractCieľom diplomovej práce je spraviť rešerš problematiky Self-supervised učenia v aplikáciách počítačového videnia, následne vybrať vhodnú testovaciu úlohu s rozsiahlym datasetom, aplikovať Self-supervised metódy a zhodnotiť. Teoretická časť práce je zameraná na popis metód v počítačovom videní, podrobný popis neurónových a konvolučných sietí a rozsiahle vysvetlenie a rozdelenie Self-supervised metód. Záver teoretickej časti je venovaný praktickým aplikáciám Self-supervised metód v praxi. Praktická časť diplomovej práce sa zaoberá popisom tvorby kódu na prácu s datasetmi a aplikáciou metód Rotácie, SimCLR, MoCo a BYOL v úlohe klasifikácie a sémantickej segmentácie. Každá aplikácia metódy je dopodrobna vysvetlená a vyhodnotená pri rôznych parametroch na veľkom datasete STL10. Následne je úspešnosť metód vyhodnotená pri rôznych datasetoch a sú pomenované obmedzujúce podmienky v úlohe klasifikácie. Praktická časť sa uzatvára pri aplikovaní SSL metód na predtrénovanie enkódera v aplikácii sémantickej segmentácie s datasetom Cityscapes.sk
dc.description.abstractThe aim of the diploma thesis is to make research of the self-supervised learning in computer vision applications, then to choose a suitable test task with an extensive data set, apply self-supervised methods and evaluate. The theoretical part of the work is focused on the description of methods in computer vision, a detailed description of neural and convolution networks and an extensive explanation and division of self-supervised methods. Conclusion of the theoretical part is devoted to practical applications of the Self-supervised methods in practice. The practical part of the diploma thesis deals with the description of the creation of code for working with datasets and the application of the SSL methods Rotation, SimCLR, MoCo and BYOL in the role of classification and semantic segmentation. Each application of the method is explained in detail and evaluated for various parameters on the large STL10 dataset. Subsequently, the success of the methods is evaluated for different datasets and the limiting conditions in the classification task are named. The practical part concludes with the application of SSL methods for pre-training the encoder in the application of semantic segmentation with the Cityscapes dataset.en
dc.description.markAcs
dc.identifier.citationVANČO, T. Self-supervised učení v aplikacích počítačového vidění [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2021.cs
dc.identifier.other134521cs
dc.identifier.urihttp://hdl.handle.net/11012/197036
dc.language.isoskcs
dc.publisherVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologiícs
dc.rightsStandardní licenční smlouva - přístup k plnému textu bez omezenícs
dc.subjectSelf-supervised učeniesk
dc.subjectpytorchsk
dc.subjectkonvolučné neurónové sietesk
dc.subjectklasifikáciask
dc.subjectsémantická segmentáciask
dc.subjectresnetsk
dc.subjectSelf-supervised learninigen
dc.subjectpytorchen
dc.subjectconvolution neural networksen
dc.subjectclassificationen
dc.subjectsemantic segmentationen
dc.subjectresneten
dc.titleSelf-supervised učení v aplikacích počítačového viděnísk
dc.title.alternativeSelf-supervised learning in computer vision applicationsen
dc.typeTextcs
dc.type.drivermasterThesisen
dc.type.evskpdiplomová prácecs
dcterms.dateAccepted2021-06-09cs
dcterms.modified2021-06-11-09:12:19cs
eprints.affiliatedInstitution.facultyFakulta elektrotechniky a komunikačních technologiícs
sync.item.dbid134521en
sync.item.dbtypeZPen
sync.item.insts2025.03.26 14:28:02en
sync.item.modts2025.01.17 09:42:06en
thesis.disciplinebez specializacecs
thesis.grantorVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. Ústav automatizace a měřicí technikycs
thesis.levelInženýrskýcs
thesis.nameIng.cs
Files
Original bundle
Now showing 1 - 3 of 3
Thumbnail Image
Name:
final-thesis.pdf
Size:
11.54 MB
Format:
Adobe Portable Document Format
Description:
final-thesis.pdf
Download
Thumbnail Image
Name:
appendix-1.zip
Size:
282.8 KB
Format:
zip
Description:
appendix-1.zip
Download
Thumbnail Image
Name:
review_134521.html
Size:
6.67 KB
Format:
Hypertext Markup Language
Description:
file review_134521.html
Download
Collections
2021