Full metadata record
DC poleHodnotaJazyk
dc.contributor.advisorHrúz Marek, Ing. Ph.D.
dc.contributor.authorAndrlík, Pavel
dc.contributor.refereeSoukup Lukáš, Ing.
dc.date.accepted2022-6-22
dc.date.accessioned2022-06-27T22:23:57Z-
dc.date.available2021-10-1
dc.date.available2022-06-27T22:23:57Z-
dc.date.issued2022
dc.date.submitted2022-5-30
dc.identifier89614
dc.identifier.urihttp://hdl.handle.net/11025/48953-
dc.description.abstractTato diplomová práce pojednává o problému optického rozpoznávání znaků při použití neuronových sítí. Zaměřuji se na zlepšení detekce a rozpoznávání textu pomocí dotrénování E2E-MLT scénového detektoru textu tak, že ho trénuji na umělých datech, která napodobují reálná data. Model byl dotrénováván na několika datasetech obsahujících uměle generovaná a reálná data, poté byly vybrány nejlepší modely a otestovány na jednom umělém a dvou reálných datasetech, jeden s převahou divokého textu, druhý s většinou textu vtištěného televizním zpravodajstvím. Na datasetu s většinout digitálně vložených textů bylo dosaženo zlepšení snížením chybovosti znaků z 52\% na 31.6\% a chybovosti slov z 56.5\% na 22\%. Během experimentů bylo také zjištěno, že trénování modelů na umělých datech simulující skutečné obrázky ze zpravodajství zhoršuje schopnost sítě detekovat a číst reálné divoké texty.cs
dc.format51
dc.language.isoen
dc.publisherZápadočeská univerzita v Plzni
dc.rightsPlný text práce je přístupný bez omezení
dc.subjectneuronová síťcs
dc.subjectoptické rozpoznávání znakůcs
dc.subjectdetektor textu ve scéněcs
dc.subjecthluboké učenícs
dc.subjectgenerování datcs
dc.titleČtení textů pomocí metod hlubokého učenícs
dc.title.alternativeOptical character recognition using deep learningen
dc.typediplomová práce
dc.thesis.degree-nameIng.
dc.thesis.degree-levelNavazující
dc.thesis.degree-grantorZápadočeská univerzita v Plzni. Fakulta aplikovaných věd
dc.thesis.degree-programAplikované vědy a informatika
dc.description.resultObhájeno
dc.description.abstract-translatedThis diploma thesis deals with the problem of optical character recognition (OCR) using neural networks. I am focusing on improving text detection and OCR by fine-tuning an E2E-MLT scene text detector by training it on synthetic data which emulates real data. The model was fine-tuned on several datasets with synthetically generated data and real data, then the models were tested on one synthetic and two real datasets, one with the majority of the wild text, the second with the majority of TV news imprinted text. On the dataset with majority of TV news imprinted texts the fine-tuned models achieved improvement by decreasing character error rate from 52\% to 31.6\% word error rate and from 56.5\% to 22\%. It was also experimentally discovered that training models on synthetic data simulating real TV news images deteriorate detection and reading model capability on wild text data.en
dc.title.otherČtení textů pomocí metod hlubokého učení
dc.subject.translatedneural networken
dc.subject.translatedoptical character recognitionen
dc.subject.translatedscene text detectoren
dc.subject.translateddeep learningen
dc.subject.translateddata generatingen
Vyskytuje se v kolekcích:Diplomové práce / Theses (KKY)

Soubory připojené k záznamu:
Soubor Popis VelikostFormát 
Thesis___Pavel_Andrlik.pdfPlný text práce8,17 MBAdobe PDFZobrazit/otevřít
Andrlik_V.pdfPosudek vedoucího práce492,11 kBAdobe PDFZobrazit/otevřít
Andrlik_O.pdfPosudek oponenta práce472,13 kBAdobe PDFZobrazit/otevřít
Andrlik_P.pdfPrůběh obhajoby práce237,5 kBAdobe PDFZobrazit/otevřít
Zobrazit minimální záznam Zobrazit statistiky


Použijte tento identifikátor k citaci nebo jako odkaz na tento záznam: http://hdl.handle.net/11025/48953

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

hledání
navigace
  1. DSpace at University of West Bohemia
  2. Vysokoškolské kvalifikační práce / Theses
  3. Fakulta aplikovaných věd / Faculty of Applied Sciences
  4. Katedra kybernetiky / Department of Cybernetics
  5. Diplomové práce / Theses (KKY)