Název: Detekce specifických objektů v digitálním snímku\nl{} pro potřeby určení druhu obsahu scény
Další názvy: Detection of Specific Objects in Digital Images Leading to Scene Content Identification
Autoři: Štanglová, Tereza
Vedoucí práce/školitel: Ekštein Kamil, Ing. Ph.D.
Oponent: Mautner Pavel, Ing. Ph.D.
Datum vydání: 2017
Nakladatel: Západočeská univerzita v Plzni
Typ dokumentu: diplomová práce
URI: http://hdl.handle.net/11025/27133
Klíčová slova: neuron;neuronové sítě;konvoluční neuronové sítě;učení s učitelem;detekce objektů;zpracování obrazu;cntk
Klíčová slova v dalším jazyce: neuron;neural networks;convolutional neural networks;supervised learning;object detection;image processing;cntk
Abstrakt: Hlavním cílem této práce je vytvoření konvoluční neuronové sítě, která bude spolehlivě detekovat specifické objekty v digitálních snímcích. Data, na kterých byla síť trénována, jsou rozdělena do dvou skupin. Cílové snímky (třída 1) jsou snímky, které obsahují pornografii, konkrétně odhalená ženská prsa. Necílové snímky (třída 0) pornografii neobsahují. V první části práce je vysvětlena základní problematika konvolučních neuronových sítí. To zahrnuje například popis jejich struktury, jednotlivých vrstev a algoritmu učení. V praktické části je popsáno několik různých architektur konvolučních sítí. Pro implementaci byl vybrán framework CNTK. Nejlepších výsledků dosahovaly sítě se třemi a pěti konvolučními vrstvami, které byly natrénovány na množině s přibližně osmi tisíci vzorky. V rámci práce byly vytvořeny i webové stránky, které slouží k uživatelskému testování.
Abstrakt v dalším jazyce: The main objective of this master thesis is to create a convolutional neural network for detection of specific objects in digital images. The dataset is divided into two classes (target and non--target) and each image has to fit into one class. Target images (class 1) should contain a pornography, naked women's breasts specifically, non-target images (class 0) should not. In the first part, basic features of convolutional neural networks (CNN) are presented. That includes structure of nets, description of layers and learning algorithm. The second part examines various architectures of CNNs. These architectures are implemented using CNTK framework. The most promising results were achieved with architecture with three and five convolutional layers and approximately eight thousand training samples. Also a web page was created for user testing.
Práva: Plný text práce je přístupný bez omezení
Vyskytuje se v kolekcích:Diplomové práce / Theses (KIV)

Soubory připojené k záznamu:
Soubor Popis VelikostFormát 
Stanglova_diplomova_prace.pdfPlný text práce20,73 MBAdobe PDFZobrazit/otevřít
A14N0115Phodnoceni-ved.PDFPosudek vedoucího práce909,87 kBAdobe PDFZobrazit/otevřít
A14N0115Pposudek-op.PDFPosudek oponenta práce862,88 kBAdobe PDFZobrazit/otevřít
A14N0115Pobhajoba.PDFPrůběh obhajoby práce230,88 kBAdobe PDFZobrazit/otevřít


Použijte tento identifikátor k citaci nebo jako odkaz na tento záznam: http://hdl.handle.net/11025/27133

Všechny záznamy v DSpace jsou chráněny autorskými právy, všechna práva vyhrazena.