03969ntm a22005417i 4500 000215515 CZ-PrVSE 20210619205335.0 m d cr n|||||||||| 210619s2021 xr fsbm 000 0 cze d NEZPRACOVANÝ IMPORT ABA006 cze ABA006 ABA006 rda Bronec, Ondřej ISIS:143450 dis The Significance of Transfer Learning for Computer Vision Technology eng Význam přenosového učení pro technologii počítačového vidění / Ondřej Bronec 2021 ?? stran : digital, PDF soubor Vedoucí práce: Milan Bašta Diplomová práce (Ing.)—Vysoká škola ekonomická v Praze. Fakulta informatiky a statistiky, 2021 Obsahuje bibliografii Textový (vysokoškolská kvalifikační práce) Rok obhajoby 2021 Tématem této diplomové práce je přenosové učení – technika umožňující přenos znalostí mezi neuronovými sítěmi, a to především v kontextu počítačového vidění. Práce nejdříve prochází současnou literaturu a vysvětluje teorii této oblasti. Následuje přehled modelů počítačového vidění posledních let a praktická část, v které se pokusíme zjistit, jestli je možné pomocí přenosového učení lze kompenzovat nedostatek dat a zkrátit dobu učení sítě. Dále se pokusíme zjistit, jestli dosahuje síť získaná pomocí přenosu znalostí i po dostatečné době a s dostatečným množstvím dat lepších výsledků. Nakonec ještě posoudíme vliv velikosti a architektury zdrojového modelu na výsledky přenosového učení. V rámci šesti datových souborů používaných pro hodnocení klasifikace obrázků je provedeno porovnání výsledků modelu VGG16 vždy v jednom případě využívající pouze jeho architekturu a v druhém i jeho znalosti získané na datovém souboru ImageNet. Rovněž prověřujeme vlivy náhodného zvolení vah, prodloužení času učení modelu, navýšení a snížení velikosti datového souboru a porovnání přenosu znalostí z několika různých modelů počítačového vidění. Celkově prezentujeme velké množství závěrů podporujících užitečnost přenosového učení. U jednoho datového souboru model bez přenosu znalostí dosahuje lepších výsledků, ale u všech ostatních vede přenos znalostí ke snížení entropie a navýšení přesnosti klasifikace a ve dvou případech je dokonce přenos znalostí jedinou možností, která vede k použitelnému modelu. Navíc v rámci žádného z datových souborů jsme nenalezli žádné podstatné omezení použitelnosti přenosového učení. Způsob přístupu: Internet statistika [obor dipl. práce] diplomové práce fd132022 czenas master's theses eczenas konvoluční neuronové sítě počítačové vidění přenos parametrů hluboké neuronové sítě přenos znalostí přenosové učení Bašta, Milan ISIS:51301 ths Zimmermann, Pavel, 1980- jo20251268570 opn Vysoká škola ekonomická v Praze. Fakulta informatiky a statistiky kn20010709399 dgg https://insis.vse.cz/zp/70413/podrobnosti VŠKP v InSIS https://insis.vse.cz/zp/70413 Hlavní práce https://insis.vse.cz/zp/70413/posudek/vedouci Hodnocení vedoucího https://insis.vse.cz/zp/70413/posudek/oponent/70060 Oponentura https://insis.vse.cz/zp/70413/priloha/21954 Přiloha k práci https://insis.vse.cz/zp/70413/podrobnosti dc:identifier NEPOSILAT VSKP vse70413 210610 70413