Tato práce pojednává o technikách automatické analýzy obrazu založené na konvolučních neuronových sítích (CNN), zaměřených na klasifikaci planktonu. V oblasti studování planktonu panuje velká diverzita v jeho tvarech a velikostech. Kvůli tomuto bývá klasifikace pomocí CNN náročná, jelikož CNN typicky požadují definovanou velikost vstupu. Běžné metody využívají škálování obrazu do jednotné velikosti. Avšak kvůli tomuto jsou ztraceny drobné detaily potřebné ke správné klasifikaci. Cílem práce bylo navrhnout a implementovat CNN klasifikátor obrazových dat planktonu a prozkoumat metody, které jsou zaměřené na problematiku různorodých velikostí obrázků. Metody, jako jsou patch cropping, využití spatial pyramid pooling vrstvy, zahrnutí metadat a sestavení multi-stream modelu jsou vyhodnoceny na náročném datasetu obrázků fytoplanktonu. Takto bylo dosaženo zlepšení o 1.0 bodů pro InceptionV3 architekturu s výslednou úspěšností 96.2 %. Hlavním přínosem této práce je vylepšení CNN klasifikátorů planktonu díky úspěšné aplikaci těchto metod.
| Identifer | oai:union.ndltd.org:nusl.cz/oai:invenio.nusl.cz:417282 |
| Date | January 2020 |
| Creators | Bureš, Jaroslav |
| Contributors | Juránek, Roman, Zemčík, Pavel |
| Publisher | Vysoké učení technické v Brně. Fakulta informačních technologií |
| Source Sets | Czech ETDs |
| Language | English |
| Detected Language | Unknown |
| Type | info:eu-repo/semantics/masterThesis |
| Rights | info:eu-repo/semantics/restrictedAccess |
Page generated in 0.0018 seconds