magistrsko delo
Julijan Jug (Avtor), Peter Peer (Mentor), Vitomir Štruc (Komentor)

Povzetek

Segmentacija telesa je proces označevanja delov slike in njihova klasifikacija v semantične razrede. Segmentacija telesa se uporablja v mnogih aplikacijah in sistemih, ki obdelujejo slike ljudi, ter predstavlja enega izmed ključnih delov takšnih cevovodov. V tem delu se ukvarjamo z izboljšavo obstoječih modelov za segmentacijo ljudi in pri tem uporabimo metodo večciljnega učenja. Predstavimo in implementiramo večciljni model SPD, ki poleg segmentacije vključuje tudi naloge napovedi telesnega skeleta in napoved globinske predstavitve telesa. Implementiramo tudi modele, ki poleg segmentacije vključujejo le eno izmed nalog. Pripravimo zbirko slik, ki vsebuje vse anotacije, ki so potrebne za učenje modela, in modele z njimi naučimo. Rezultate vseh implementiranih modelov analiziramo in primerjamo z referenčnimi modeli JPPNet in DensePose. Uporabljene metrike segmentacijske kakovosti kažejo na izboljšavo vseh metrik v primerjavi z modelom JPPNet. Rezultati skeletne in globinske predstavitve so glede na referenčne modele nekoliko slabši.

Ključne besede

segmentacija;razločanje delov telesa;večciljno učenje;magisteriji;

Podatki

Jezik: Slovenski jezik
Leto izida:
Tipologija: 2.09 - Magistrsko delo
Organizacija: UL FRI - Fakulteta za računalništvo in informatiko
Založnik: [J. Jug]
UDK: 004.93(043.2)
COBISS: 91319043 Povezava se bo odprla v novem oknu
Št. ogledov: 239
Št. prenosov: 51
Ocena: 0 (0 glasov)
Metapodatki: JSON JSON-RDF JSON-LD TURTLE N-TRIPLES XML RDFA MICRODATA DC-XML DC-RDF RDF

Ostali podatki

Sekundarni jezik: Angleški jezik
Sekundarni naslov: Body segmentation using multi-task learning
Sekundarni povzetek: Body segmentation is a process of labelling parts of images and classifying them into semantic classes of body parts and clothing pieces. Body segmentation is used in many complex systems that process images of people and is one of the key parts of such processing pipelines. In this work, we try to improve the existing models for human segmentation using multi-task learning method. We present and implement a multi-task model SPD, which, in addition to segmentation, also includes the tasks of predicting the body skeleton and the prediction of dense pose. We also implement other models that include only one additional task next to the segmentation task. We prepare a data set of images that contain all three necessary annotations types for learning. The results of the implemented models are analysed and compared with the results of JPPNet reference model and DensePose model. The Segmentation results indicate an improvement in all metrics in comparison to the JPPNet segmentation model. The results of skeletal and dense pose representations perform a little worse than the reference models.
Sekundarne ključne besede: computer vision;segmentation;human body parsing;multi task learning;computer science;master's degree;Računalniški vid;Računalništvo;Univerzitetna in visokošolska dela;
Vrsta dela (COBISS): Magistrsko delo/naloga
Študijski program: 1000471
Komentar na gradivo: Univ. v Ljubljani, Fak. za računalništvo in informatiko
Strani: 65 str.
ID: 14092807