diplomsko delo
Klemen Štefe (Avtor), Žiga Emeršič (Mentor)

Povzetek

Najbolj ključen dejavnik pri delovanju globokih biometričnih modelov je njihov postopek učenja. Diplomsko delo raziskuje različne pristope k optimizaciji učenja globokih nevronskih mrež, z namenom izboljšave njihove klasifikacijske točnosti. Osredotočamo se na metode iz področja zmanjšanja prileganja podatkom in vpliva različnih hiperparametrov na rezultate učenja. Za raziskavo uporabimo modele naučene na podatkovni zbirki ImageNet, ki jih s pomočjo prenosnega učenja prilagodimo za klasifikacijo ljudi na podlagi njihovega uhlja. Zaradi vpliva strojne opreme, testiramo tudi čas učenja posameznih modelov, ter povprečne hitrosti njihovih napovedi. Ugotavljamo, da je za našo učno množico najbolj primeren model ResNet18, z najvišjo točnostjo 56 odstotkov, sledi pa mu GoogLeNet z 51 odstotki.

Ključne besede

prenosno učenje;prileganje podatkov;regularizacija;augmentacija;ImageNet;razpoznava uhljev;biometrija uhljev;visokošolski strokovni študij;diplomske naloge;

Podatki

Jezik: Slovenski jezik
Leto izida:
Tipologija: 2.11 - Diplomsko delo
Organizacija: UL FRI - Fakulteta za računalništvo in informatiko
Založnik: [K. Štefe]
UDK: 004.93:57.087.1(043.2)
COBISS: 162224131 Povezava se bo odprla v novem oknu
Št. ogledov: 53
Št. prenosov: 20
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: Optimizing the training of deep biometric models in ear biometrics
Sekundarni povzetek: The key factor in the performance of deep biometric models lies in their learning process. This study investigates different approaches to optimize the learning of deep neural networks, aiming to enhance their classification accuracy. We focus on methods that reduce overfitting and examine the impact of various hyperparameters. To conduct this research, we utilize models trained on the ImageNet dataset, which we fine-tune using transfer learning to classify people based on their ears. Furthermore, we assess the training times and average prediction speeds of individual models, considering hardware constraints. The results show that ResNet18 is the most suitable model for our training data, achieving best accuracy of 56%, closely followed by GoogLeNet with 51%
Sekundarne ključne besede: neural networks;classification;transfer learning;data fitting;regularization;augmentation;ImageNet;ear recognition;ear biometrics;computer science;diploma;Biometrija;Biometrična identifikacija;Nevronske mreže (računalništvo);Računalniški vid;Računalništvo;Univerzitetna in visokošolska dela;
Vrsta dela (COBISS): Diplomsko delo/naloga
Študijski program: 1000470
Konec prepovedi (OpenAIRE): 1970-01-01
Komentar na gradivo: Univ. v Ljubljani, Fak. za računalništvo in informatiko
Strani: 46 str.
ID: 21439461