prikaz prve stranice dokumenta Klasificiranje grafičkih prikaza korištenjem plitkih neuronskih mreža
  Preuzmi
PDF 1.37 MB
završni rad
Klasificiranje grafičkih prikaza korištenjem plitkih neuronskih mreža
2022. urn:nbn:hr:200:013019
Hofer, Filip
Sveučilište Josipa Jurja Strossmayera u Osijeku
Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek
Zavod za programsko inženjerstvo
Katedra za vizualno računarstvo

Citirajte ovaj rad

Hofer, F. (2022). Klasificiranje grafičkih prikaza korištenjem plitkih neuronskih mreža (Završni rad). Osijek: Sveučilište Josipa Jurja Strossmayera u Osijeku, Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:200:013019

Hofer, Filip. "Klasificiranje grafičkih prikaza korištenjem plitkih neuronskih mreža." Završni rad, Sveučilište Josipa Jurja Strossmayera u Osijeku, Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek, 2022. https://urn.nsk.hr/urn:nbn:hr:200:013019

Hofer, Filip. "Klasificiranje grafičkih prikaza korištenjem plitkih neuronskih mreža." Završni rad, Sveučilište Josipa Jurja Strossmayera u Osijeku, Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek, 2022. https://urn.nsk.hr/urn:nbn:hr:200:013019

Hofer, F. (2022). 'Klasificiranje grafičkih prikaza korištenjem plitkih neuronskih mreža', Završni rad, Sveučilište Josipa Jurja Strossmayera u Osijeku, Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek, citirano: 22.04.2024., https://urn.nsk.hr/urn:nbn:hr:200:013019

Hofer F. Klasificiranje grafičkih prikaza korištenjem plitkih neuronskih mreža [Završni rad]. Osijek: Sveučilište Josipa Jurja Strossmayera u Osijeku, Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek; 2022 [pristupljeno 22.04.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:200:013019

F. Hofer, "Klasificiranje grafičkih prikaza korištenjem plitkih neuronskih mreža", Završni rad, Sveučilište Josipa Jurja Strossmayera u Osijeku, Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek, Osijek, 2022. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:200:013019

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:200:013019
Prijavite se u repozitorij kako biste mogli spremiti objekt u svoju listu.
Podaci o radu
NaslovKlasificiranje grafičkih prikaza korištenjem plitkih neuronskih mreža
Naslov (engleski)Chart Image Classification Using Shallow Convolutional Neural Networks
AutorFilip Hofer
MentorJosip Job (mentor)
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 vizualno računarstvo)
Osijek
Datum i država obrane2022-09-30, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Elektrotehnika
Elektronika
Sažetak
Duboke neuronske mreže su standardni alat koji pomaže u rješavanju problema kao što su detekcija objekata, raspoznavanje oblika i klasificiranje podataka. Potrebna je određena količina znanja kako bi se duboka neuronska mreže istrenirala za željenu radnju. Precizno označeni podatkovni skupovi uvelike pomažu pri učenju neuronske mreže. Što više podataka za učenje proslijedimo neuronskoj mreži to će ona bolje raditi svoj zadatak za koji je istrenirana. U ovom radu opisane su osnove umjetne inteligencije i strojnog učenja. Istražene su vrste neuronskih mreža i razlika između dubokih i plitkih neuronskih mreža. U svrhu istraživanja razlike učinkovitosti između plitkih i dubokih konvolucijskih neuronskih mreža odabrana je mala konvolucijska neuronska mreža koja se sastoji od dva konvolucijska sloja te tri potpuno povezana sloja i VGG-11 konvolucijska neuronska mreža koja se sastoji od osam konvolucijskih i tri potpuno povezana sloja.
Sažetak (engleski)
Deep neural networks are a standard tool to help solve problems such as object detection, shape recognition, and data classification. A certain amount of knowledge is required to train a deep neural network for a desired action. Precisely labeled datasets greatly aid neural network learning. The more training data we feed the neural network, the better it will perform at the task for which it was researched. This paper describes the basics of artificial intelligence and machine learning. The types of neural networks and the difference between deep and shallow neural networks are explored. In order to investigate the difference in efficiency between shallow and deep convolutional neural networks, a small convolutional neural network consisting of two convolutional layers and three fully connected layers and a VGG-11 convolutional neural network consisting of eight convolutional and three fully connected layers were selected.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:200:013019
Studijski programNaziv: Elektrotehnika i informacijska tehnologija
Vrsta studija: sveučilišni
Stupanj studija: preddiplomski
Akademski / stručni naziv: sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka elektrotehnike (univ.bacc.ing.el.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaOtvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Datum i vrijeme pohrane2023-01-02 12:52:37