Full metadata record
DC poleHodnotaJazyk
dc.contributor.advisorHrúz Marek, Ing. Ph.D.
dc.contributor.authorHonzík, Jakub
dc.contributor.refereeGruber Ivan, Ing. Ph.D.
dc.date.accepted2022-6-21
dc.date.accessioned2022-07-25T22:31:09Z-
dc.date.available2021-10-15
dc.date.available2022-07-25T22:31:09Z-
dc.date.issued2022
dc.date.submitted2022-5-23
dc.identifier90060
dc.identifier.urihttp://hdl.handle.net/11025/49357-
dc.description.abstractV této práci se věnuji rozpoznávání jednotlivých znaků Argentinské znakové řeči pomocí umělé neuronové sítě. Trénovací a testovací data pocházejí z datasetu LSA64. Optimalizce parametrů neuronové sítě a její vyhodnocení jsem realizoval ve frameworku MMAction2. Testoval jsem optimalizátory SGD a Adam, pro které jsem nalezl vhodný řád konstanty učení, pro SGD to bylo 0,001 a pro Adam 1? 10^5. Pro tyto dvě nastavení jsem provedl křížovou validaci s vynecháním jednoho figuranta. Výsledky ukazují, že síť využívající SGD se na datech natrénuje o zhruba 10 epoch dříve. Úspěšnost SGD při křížové validaci na testovací množině je 0,947? 0,027, Adam má úspěšnost 0,937? 0,018. Z experimentů vyplývá, že v tomto případě je vhodnější použití optimalizátoru SGD, pokud je větší důraz na přesnost. Optimalizátor Adam je vhodnější, pokud je větší důraz na robustnost.cs
dc.format39
dc.language.isocs
dc.publisherZápadočeská univerzita v Plzni
dc.relation.isreferencedbyhttps://portal.zcu.cz/StagPortletsJSR168/CleanUrl?urlid=prohlizeni-prace-detail&praceIdno=90060-
dc.rightsPlný text práce je přístupný bez omezení
dc.subjectznaková řečcs
dc.subjectneuronové sítěcs
dc.subjecttemporal segment networkscs
dc.subjectresnetcs
dc.subjectmmaction2cs
dc.subjectlsa64cs
dc.titleRozpoznávání izolovaných znaků znakového jazykacs
dc.title.alternativeIsolated sign language recognitionen
dc.typebakalářská práce
dc.thesis.degree-nameBc.
dc.thesis.degree-levelBakalářský
dc.thesis.degree-grantorZápadočeská univerzita v Plzni. Fakulta aplikovaných věd
dc.thesis.degree-programKybernetika a řídicí technika
dc.description.resultObhájeno
dc.description.abstract-translatedIn this thesis I'm pursuing Argentinian sign language recognition using artifitial neural network. Training and testing data are from dataset LSA64. Parameter optimalization of neural network and its evaluation were realised with framework MMAction2. I've tested optimizers SGD and Adam, for which I've found suitable order of learning rate, for SGD it was 0.001 and for Adam 1? 10^5. For these two settings I carried out leave-one-out cross-validation. The results show, that the network using SGD finishes training approximately 10 epochs sooner. Accuracy of SGD for cross-validation on test set is 0.947? 0.027, Adam has accuracy 0.937? 0.018. Experiments suggest, that in this case optimizer SGD is more suitable, if there's more emphasis on accuracy. Optimizer Adam is more suitable, if there's more emphasis on robustness.en
dc.subject.translatedsign languageen
dc.subject.translatedneural networksen
dc.subject.translatedtemporal segment networksen
dc.subject.translatedresneten
dc.subject.translatedmmaction2en
dc.subject.translatedlsa64en
Vyskytuje se v kolekcích:Bakalářské práce / Bachelor´s works (KKY)

Soubory připojené k záznamu:
Soubor Popis VelikostFormát 
BP_honzik.pdfPlný text práce8,73 MBAdobe PDFZobrazit/otevřít
Honzik_V.pdfPosudek vedoucího práce396,61 kBAdobe PDFZobrazit/otevřít
Honzik_O.pdfPosudek oponenta práce435,59 kBAdobe PDFZobrazit/otevřít
Honzik_P.pdfPrůběh obhajoby práce226,99 kBAdobe PDFZobrazit/otevřít
rozpoznavani-znakove-reci.zipVŠKP - příloha1,28 GBZIPZobrazit/otevřít


Použijte tento identifikátor k citaci nebo jako odkaz na tento záznam: http://hdl.handle.net/11025/49357

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