prikaz prve stranice dokumenta Klasifikacija grafikona primjenom plitkih konvolucijskih neuronskih mreža i izdvajanje podatkovnih značajki iz klasificiranih grafikona
  Preuzmi
PDF 3.62 MB
doktorski rad
Klasifikacija grafikona primjenom plitkih konvolucijskih neuronskih mreža i izdvajanje podatkovnih značajki iz klasificiranih grafikona
2024. urn:nbn:hr:200:000321
Bajić, Filip
Sveučilište Josipa Jurja Strossmayera u Osijeku
Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek
Zavod za programsko inženjerstvo
Katedra za programske jezike i sustave

Citirajte ovaj rad

Bajić, F. (2024). Klasifikacija grafikona primjenom plitkih konvolucijskih neuronskih mreža i izdvajanje podatkovnih značajki iz klasificiranih grafikona (Doktorski rad). Osijek: Sveučilište Josipa Jurja Strossmayera u Osijeku, Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:200:000321

Bajić, Filip. "Klasifikacija grafikona primjenom plitkih konvolucijskih neuronskih mreža i izdvajanje podatkovnih značajki iz klasificiranih grafikona." Doktorski rad, Sveučilište Josipa Jurja Strossmayera u Osijeku, Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek, 2024. https://urn.nsk.hr/urn:nbn:hr:200:000321

Bajić, Filip. "Klasifikacija grafikona primjenom plitkih konvolucijskih neuronskih mreža i izdvajanje podatkovnih značajki iz klasificiranih grafikona." Doktorski rad, Sveučilište Josipa Jurja Strossmayera u Osijeku, Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek, 2024. https://urn.nsk.hr/urn:nbn:hr:200:000321

Bajić, F. (2024). 'Klasifikacija grafikona primjenom plitkih konvolucijskih neuronskih mreža i izdvajanje podatkovnih značajki iz klasificiranih grafikona', Doktorski rad, Sveučilište Josipa Jurja Strossmayera u Osijeku, Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek, citirano: 30.12.2024., https://urn.nsk.hr/urn:nbn:hr:200:000321

Bajić F. Klasifikacija grafikona primjenom plitkih konvolucijskih neuronskih mreža i izdvajanje podatkovnih značajki iz klasificiranih grafikona [Doktorski rad]. Osijek: Sveučilište Josipa Jurja Strossmayera u Osijeku, Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek; 2024 [pristupljeno 30.12.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:200:000321

F. Bajić, "Klasifikacija grafikona primjenom plitkih konvolucijskih neuronskih mreža i izdvajanje podatkovnih značajki iz klasificiranih grafikona", Doktorski rad, Sveučilište Josipa Jurja Strossmayera u Osijeku, Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek, Osijek, 2024. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:200:000321

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:200:000321
Prijavite se u repozitorij kako biste mogli spremiti objekt u svoju listu.
Podaci o radu
NaslovKlasifikacija grafikona primjenom plitkih konvolucijskih neuronskih mreža i izdvajanje podatkovnih značajki iz klasificiranih grafikona
Naslov (engleski)Chart image classification using a shallow convolutional neural network and feature extraction from classified charts
AutorFilip Bajić
MentorKrešimir Nenadić (mentor)
MentorMarija Habijan (sumentor)
Član povjerenstvaZdravko Krpić (predsjednik povjerenstva)
Član povjerenstvaIvica Lukić (član povjerenstva)
Član povjerenstvaMario Brčić (član povjerenstva)
Član povjerenstvaTomislav Keser (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište Josipa Jurja Strossmayera u Osijeku
Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek
(Zavod za programsko inženjerstvo)
(Katedra za programske jezike i sustave)
Osijek
Datum i država obrane2024-06-25, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Računarstvo
Programsko inženjerstvo
Univerzalna decimalna klasifikacija
(UDC)		004 - Računalna znanost i tehnologija. Računalstvo. Obrada podataka
Sažetak
Korištenje slikovnog prikaza podataka omogućuje jednostavniju pohranu informacija u dugotrajno pamćenje, zahtijevajući manju količinu pažnje čitatelja. Povijesni razvoj statistike potaknuo je potrebu za slikovnim prikazima kako bi se predstavile složene strukture podataka. U 20. stoljeću, s porastom informacija, nastala je potreba za sažimanjem podataka, a slikovni prikazi postaju učinkovito sredstvo za prikaz važnih informacija u istraživanjima. Vizualizacija podataka, poput grafikona, omogućuje jasno razumijevanje odnosa među podatcima, olakšava usporedbu vrijednosti te pomaže u identifikaciji neočekivanih rezultata. U današnje vrijeme, kada količina podataka ubrzano raste, vizualizacija postaje ključna za pojednostavljenje interpretacije i donošenje odluka. Unatoč ostvarenom napretku u području koje se bavi interpretacijom slike grafikona, izazovi i dalje postoje. S izazovima su suočene osobe s oštećenim vidom i računala koja pokušavaju pristupiti informacijama sadržanim u slici grafikona. Brojna istraživanja usmjerena su na poboljšanje pristupačnosti i dostupnosti vizualizacija podataka. Osnovni cilj ove disertacije bio je razviti automatizirane metode strojnog učenja za obradu digitalnih slika grafikona, omogućujući njihovu implementaciju u stvarnoj okolini. Razvijene metode obuhvaćaju cjelokupni proces, počevši od učenja i prepoznavanja vrsta grafikona do izdvajanja podatkovnih značajki, s mogućnošću primjene u drugim računalnim sustavima. Tijekom provedenog istraživanja razvijene su sljedeće tri metode: 1. Metoda za otvorenu klasifikaciju grafikona u elektroničkim dokumentima zasnovana na plitkim konvolucijskim neuronskim mrežama. Predložena metoda prikazuje dvije arhitekture neuronske mreže — tradicionalnu i sijamsku. Ulaz u model neuronske mreže je slika grafikona ili bilo koja druga slika prisutna u elektroničkom dokumentu. Slike grafikona prolaze 95 kroz proces predobrade upotrebom metode koja uspješno uklanja značajan broj sadržajnih informacija, zadržavajući grafički element čiji sadržaj omogućuje razlikovanje vrste grafikona. U okviru evaluacije, razvijena su 32 modela, učena na šest javno dostupnih podatkovnih skupova. 2. Metoda izdvajanja podatkovnih značajki iz kružnih i mrežastih grafikona za primjenu u računalnim sustavima. Kružni grafikoni obuhvaćaju tortne, prstenaste i grafikone sunčevih zraka, dok mrežasti grafikoni uključuju toplinske karte i grafikone napretka. Istraživanjem je razvijena prva metoda usmjerena na grafikone sunčevih zraka i toplinske karte. Metoda se sastoji od dva ključna modula: modula za predobradu slike i modula za detekciju strukturnih elemenata grafikona. Metoda se oslanja na binarne maske, morfologiju, detekciju ključnih točaka i matematički model. 3. Metoda generiranja ispitnih skupova za standardiziranu validaciju uspješnosti izdvajanja podatkovnih značajki iz kružnih i mrežastih grafikona. Metoda se temelji na slučajnim vrijednostima i lokacijama strukturalnih elemenata u slikama grafikona. Razvijeni podatkovni skup, ChartDS, proizlazi iz ove metode te se koristi u evaluaciji dviju prethodno predstavljenih metoda. ChartDS je javno dostupan u različitim podatkovnim repozitorijima, pružajući standardiziranu osnovu za procjenu i usporedbu učinkovitosti različitih sustava u analizi i interpretaciji slika grafikona. Razvijene metode potkrijepljene su detaljnim evaluacijama čiji rezultati su javno objavljeni u raznim znanstvenim radovima.
Sažetak (engleski)
The use of graphical representation of data allows for easier storage of information in long-term memory, requiring less attention from the reader. The historical development of statistics has driven the need for graphical representations to represent complex data structures. In the 20th century, with the increase of information, there was a need to summarize data, and graphical representations became an effective means of presenting important information in scientific research. Data visualization, such as charts or graphs, provides a clear understanding of the relationships between the data, facilitates comparison of values, and helps identify unexpected results. Nowadays, when the data is growing rapidly, visualization becomes essential for simplifying interpretation and decision-making. Despite the progress made in the field of chart image interpretation, challenges remain. Challenges are faced by visually impaired people and computers trying to access the information contained in the chart image. Numerous researches are aimed at improving the accessibility and availability of data visualizations. The main goal of this dissertation was to develop automated machine learning methods for processing digital chart images, enabling their implementation in a real environment. The developed methods cover the entire process, starting from learning and recognizing chart-types to extracting data features, with the possibility of intergration in other computer systems. During the conducted research, the following three methods were developed: 97 1. A method for accessing information contained within charts in electronic documents based on shallow convolutional neural networks. The proposed method enables the dual application of the neural network, both as traditional and Siamese. The input to the neural network model is a chart image or any other image present in the document. Chart images undergo a pre-processing using a method that successfully removes a significant amount of information while retaining the graphic element. This retained content allows distinguishing of the chart-type. As part of the evaluation, 32 models were developed and trained on six publicly available datasets. 2. A method for extracting features from circular and grid charts for application in computer systems. Circular charts encompass pie, donut, and sunburst diagrams, while grid charts comprise heat maps and waffle charts. The research developed the first method focused on sunburst diagrams and heat maps. The method consists of two modules: one for image pre-processing and another for detecting structural elements of the chart. The method relies on binary masks, morphology, keypoint detection, and a mathematical model. 3. Validation of the performance of the proposed methods on the newly created chart database. The method is based on random values and locations of structural elements in chart images. The developed dataset, ChartDS, derives from this method and is used in the evaluation of the two previously presented methods. ChartDS is publicly available in various data repositories, providing a standardized basis for evaluating and comparing the performance of different systems in the analysis and interpretation of chart images. The developed methods are supported by detailed evaluations, the results of which have been publicly published in various scientific works.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:200:000321
Datum promocije2024
Studijski programNaziv: Poslijediplomski sveučilišni studij elektrotehnike i računarstva
Vrsta studija: sveučilišni
Stupanj studija: doktorski studij
Akademski / stručni naziv: doktor/doktorica znanosti u području tehničkih znanosti (dr. sc. tech.)
Vrsta resursaTekst
Opseg99 str.
Način izrade datotekeIzvorno digitalna
Prava pristupaOtvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Datum i vrijeme pohrane2024-09-02 07:41:55