| Title: | Detekce specifických objektů v digitálním snímku pro potřeby určení druhu obsahu scény |
| Other Titles: | Detection of Specific Objects in Digital Images Leading to Scene Content Identification |
| Authors: | Štanglová, Tereza |
| Advisor: | Ekštein Kamil, Ing. Ph.D. |
| Referee: | Mautner Pavel, Ing. Ph.D. |
| Issue Date: | 2017 |
| Publisher: | Západočeská univerzita v Plzni |
| Document type: | diplomová práce |
| URI: | http://hdl.handle.net/11025/27133 |
| Keywords: | neuron;neuronové sítě;konvoluční neuronové sítě;učení s učitelem;detekce objektů;zpracování obrazu;cntk |
| Keywords in different language: | neuron;neural networks;convolutional neural networks;supervised learning;object detection;image processing;cntk |
| Abstract: | 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. |
| Abstract in different language: | 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. |
| Rights: | Plný text práce je přístupný bez omezení. |
| Appears in Collections: | Diplomové práce / Theses (KIV) |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| Stanglova_diplomova_prace.pdf | Plný text práce | 20,73 MB | Adobe PDF | View/Open |
| A14N0115Phodnoceni-ved.PDF | Posudek vedoucího práce | 909,87 kB | Adobe PDF | View/Open |
| A14N0115Pposudek-op.PDF | Posudek oponenta práce | 862,88 kB | Adobe PDF | View/Open |
| A14N0115Pobhajoba.PDF | Průběh obhajoby práce | 230,88 kB | Adobe PDF | View/Open |
Please use this identifier to cite or link to this item:
http://hdl.handle.net/11025/27133Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.