Název: | Segmentace obrazu pomocí neuronových sítí |
Další názvy: | Image segmentation using neural networks |
Autoři: | Kadlečík, Marián |
Vedoucí práce/školitel: | Prantl Martin, Ing. Ph.D. |
Oponent: | Baloun Josef, Ing. |
Datum vydání: | 2023 |
Nakladatel: | Západočeská univerzita v Plzni |
Typ dokumentu: | bakalářská práce |
URI: | http://hdl.handle.net/11025/53754 |
Klíčová slova: | segmentace obrazu;neuronové sítě;konvoluční neuronové sítě;python;pytorch |
Klíčová slova v dalším jazyce: | image segmentation;neural networks;convolutional neural networks;python;pytorch |
Abstrakt: | Tato práce se zabývá segmentací obrazu za využití neuronových sítí. Začátek práce se zabývá problematikou segmentování s několika existujícími metodami nevyužívající neuronových sítí. Následně se práce již zaměřuje na neuronové sítě, jejich strukturu, funkcionalitu a využití pro segmentaci s analýzou několika vybraných architektur. Vybranými architekturami jsou U-Net (2015), DoubleU-Net (2020) a ResUNet++ (2019), a byly implementovány do programu, který je umožňuje učit na různých datech a využít za účelem segmentace. V konečné části práce se potom porovnávají výsledky mezi jednotlivými architekturami z učení a segmentace na Carvana a IMCDB datasetu. Nejlepších výsledků dosáhla architektura DoubleU-Net s Jaccard index hodnotou 0.9883 pro Carvana dataset a 0.9383 pro IMCDB dataset. |
Abstrakt v dalším jazyce: | This work deals with image segmentation via the usage of neural networks. The beginning of the work focuses on the problem of segmentation itself with a description of a couple of existing methods that do not use neural networks. Afterwards the work shifts it's focus to neural networks, their structure, functionality and usage for segmentation with an analysis of multiple existing architectures. Those architectures are U-Net (2015), DoubleU-Net (2020) and ResUNet++ (2019), which were then implemented into a program that can be used to train them on different data and subsequently use them for segmentation purposes. Finally the implemented architectures are trained on two seperate datasets, Carvana and IMCDB dataset, with their individual results compared in the last section of this work. The best results were achieved on the DoubleU-Net architecture with a Jaccard index value of 0.9883 for Carvana dataset and 0.9383 for IMCDB dataset respectively. |
Práva: | Plný text práce je přístupný bez omezení |
Vyskytuje se v kolekcích: | Bakalářské práce / Bachelor´s works (KIV) |
Soubory připojené k záznamu:
Soubor | Popis | Velikost | Formát | |
---|---|---|---|---|
A19B0083P_BP.pdf | Plný text práce | 3,44 MB | Adobe PDF | Zobrazit/otevřít |
A19B0083P_Hodnoceni.pdf | Posudek vedoucího práce | 405,29 kB | Adobe PDF | Zobrazit/otevřít |
A19B0083P_Posudek.pdf | Posudek oponenta práce | 104,77 kB | Adobe PDF | Zobrazit/otevřít |
A19B0083P_Obhajoba.pdf | Průběh obhajoby práce | 64,13 kB | Adobe PDF | Zobrazit/otevřít |
Použijte tento identifikátor k citaci nebo jako odkaz na tento záznam:
http://hdl.handle.net/11025/53754
Všechny záznamy v DSpace jsou chráněny autorskými právy, všechna práva vyhrazena.