Impact of Data Quality on Deep Learning Algorithms in Computer Vision – Bc. Vlastimil Martinek
Bc. Vlastimil Martinek
Master's thesis
Impact of Data Quality on Deep Learning Algorithms in Computer Vision
Impact of Data Quality on Deep Learning Algorithms in Computer Vision
Anotácia:
Architektury hlubokého učení a kvalita dat jsou faktory při zlepšování výkonu úloh počítačového vidění. V posledních letech došlo k významnému pokroku v navrhování architektur konvolučních neuronových sítí. Stále však není jasné, jak zlepšit kvalitu dat pro další zvýšení výkonu těchto modelů. Tato práce zkoumá, které aspekty kvality dat ovlivňují výkon modelů hlubokého učení aplikovaných na datové …viacAbstract:
Deep learning architectures and data quality are factors in improving the performance of computer vision tasks. In recent years, there were notable advancements in designing convolutional neural network architectures. However, it is still unclear how to improve data quality to enhance these models' performance further. This thesis explores which data quality aspects affect the performance of deep learning …viac
Jazyk práce: English
Datum vytvoření / odevzdání či podání práce: 7. 1. 2021
Identifikátor:
https://is.muni.cz/th/g5x2j/
Obhajoba závěrečné práce
- Obhajoba proběhla 11. 2. 2021
- Vedúci: doc. Mouzhi Ge, Ph.D.
- Oponent: PhD Bacem Mbarek
Citační záznam
Plný text práce
Obsah online archivu závěrečné práce
Zveřejněno v Theses:- světu
Jak jinak získat přístup k textu
Instituce archivující a zpřístupňující práci: Masarykova univerzita, Fakulta informatikyMasaryk University
Faculty of InformaticsMaster programme / odbor:
Artificial intelligence and data processing / Machine learning and artificial intelligence
Práce na příbuzné téma
-
Visualization of hidden layers in convolutional neural networks
Jakub Hruška -
Modelling small-RNA binding using Convolutional Neural Networks
Eva Klimentová -
Automatic Recognition of User Interface States Using Convolutional Neural Networks
Klára Petrovičová -
Segmentation of Dense Cell Populations using Convolutional Neural Networks
Filip Lux -
Interpretation techniques for deep neural networks in digital histopathology
Martin Krebs -
Tomographic back-projection of either sparse or low-quality projection views, based on convolutional neural networks (CNN)
Payal JAIN -
Použití konvoluční neuronové sítě pro klasifikaci snímků ptačího peří
Kateřina Zárybnická -
Jak zmást konvoluční neuronové síte?
Erik Daniel MURGAŠ