Táto diplomová práca sa zaoberá detekciou anomálií a ich lokalizáciou v obraze. Cieľom je popísať modely, ktoré sa touto problematikou zaoberajú a následne tieto modely natrénovať a zhodnotiť. Práca je rozdelená na dve časti, teoretickú a praktickú. V teoretickej časti sú popísané jednotlivé modely detekcie a lokalizácie anomálií. Praktická časť práce sa venuje trénovaniu modelov na pripravenom datasete. Záver práce je zameraný na zhodnotenie dosiahnutých poznatkov.
Anotace v angličtině
This Master's thesis on anomaly detection and localization in images. The aim is to describe models that deal with this issue and subsequently train and evaluate these models. The thesis is divided into two parts, theoretical and practical. The theoretical part describes the individual models of anomaly detection and localization. The practical part of the thesis is devoted to training models on a prepared dataset. The conclusion of the thesis focuses on the evaluation of the acquired knowledge.
Klíčová slova
spracovanie obrazu, detekcia anomálií v obraze, lokalizácia anomálií v obraze, strojové učenie, konvolučné neurónové siete, PaDiM, SimpleNet, RDOCE, PatchCore, RIAD, DRAEM, SPADE
Táto diplomová práca sa zaoberá detekciou anomálií a ich lokalizáciou v obraze. Cieľom je popísať modely, ktoré sa touto problematikou zaoberajú a následne tieto modely natrénovať a zhodnotiť. Práca je rozdelená na dve časti, teoretickú a praktickú. V teoretickej časti sú popísané jednotlivé modely detekcie a lokalizácie anomálií. Praktická časť práce sa venuje trénovaniu modelov na pripravenom datasete. Záver práce je zameraný na zhodnotenie dosiahnutých poznatkov.
Anotace v angličtině
This Master's thesis on anomaly detection and localization in images. The aim is to describe models that deal with this issue and subsequently train and evaluate these models. The thesis is divided into two parts, theoretical and practical. The theoretical part describes the individual models of anomaly detection and localization. The practical part of the thesis is devoted to training models on a prepared dataset. The conclusion of the thesis focuses on the evaluation of the acquired knowledge.
Klíčová slova
spracovanie obrazu, detekcia anomálií v obraze, lokalizácia anomálií v obraze, strojové učenie, konvolučné neurónové siete, PaDiM, SimpleNet, RDOCE, PatchCore, RIAD, DRAEM, SPADE
Vypracujte literární rešerši zabývající se modely pro detekci a lokalizaci anomálií v obraze.
Připravte vhodný dataset pro detekci a lokalizaci anomálií.
Natrénujte vybrané modely konvolučních sítí z literární rešerše na připravených datech.
Proveďte kvantitativní a kvalitativní srovnání výsledků realizovaných modelů.
Zhodnoťte dosažené výsledky.
Zásady pro vypracování
Vypracujte literární rešerši zabývající se modely pro detekci a lokalizaci anomálií v obraze.
Připravte vhodný dataset pro detekci a lokalizaci anomálií.
Natrénujte vybrané modely konvolučních sítí z literární rešerše na připravených datech.
Proveďte kvantitativní a kvalitativní srovnání výsledků realizovaných modelů.
Zhodnoťte dosažené výsledky.
Seznam doporučené literatury
DEFARD, Thomas, et al. Padim: a patch distribution modeling framework for anomaly detection and localization. In: International Conference on Pattern Recognition. Springer, Cham, 2021. p. 475-489.
GOODFELLOW, Ian, BENGIO, Yoshua a Aaron COURVILLE. Machine learning basics. Deep learning. MIT Press. 2016. ISBN 9780262035613.
RAMSUNDAR, Bharath a Reza Bosagh ZADEH. TensorFlow for deep learning: from linear regression to reinforcement learning. Beijing: O'Reilly Media. 2018. ISBN 9781491980422.
ROSEBROCK, Adrian. Starter Bundle. In: Deep Learning for Computer Vision with Python. PyimageSearch.com. 2017.
ROSEBROCK, Adrian. Practitioner Bundle. In: Deep Learning for Computer Vision with Python. PyimageSearch.com. 2017.
RASCHKA, Sebastian a Vahid MIRJALILI. Python machine learning: machine learning and deep learning with Python, scikit-learn, and TensorFlow . Second edition. Birmingham: Packt, 2017, xviii, 595 s. ISBN 978-1-78712-593-3.
CHOLLET, François. Deep learning v jazyku Python: knihovny Keras, Tensorflow . Praha: Grada Publishing, 2019, 328 s. Knihovna programátora. ISBN 978-80-247-3100-1.
Seznam doporučené literatury
DEFARD, Thomas, et al. Padim: a patch distribution modeling framework for anomaly detection and localization. In: International Conference on Pattern Recognition. Springer, Cham, 2021. p. 475-489.
GOODFELLOW, Ian, BENGIO, Yoshua a Aaron COURVILLE. Machine learning basics. Deep learning. MIT Press. 2016. ISBN 9780262035613.
RAMSUNDAR, Bharath a Reza Bosagh ZADEH. TensorFlow for deep learning: from linear regression to reinforcement learning. Beijing: O'Reilly Media. 2018. ISBN 9781491980422.
ROSEBROCK, Adrian. Starter Bundle. In: Deep Learning for Computer Vision with Python. PyimageSearch.com. 2017.
ROSEBROCK, Adrian. Practitioner Bundle. In: Deep Learning for Computer Vision with Python. PyimageSearch.com. 2017.
RASCHKA, Sebastian a Vahid MIRJALILI. Python machine learning: machine learning and deep learning with Python, scikit-learn, and TensorFlow . Second edition. Birmingham: Packt, 2017, xviii, 595 s. ISBN 978-1-78712-593-3.
CHOLLET, François. Deep learning v jazyku Python: knihovny Keras, Tensorflow . Praha: Grada Publishing, 2019, 328 s. Knihovna programátora. ISBN 978-80-247-3100-1.
Přílohy volně vložené
-
Přílohy vázané v práci
-
Převzato z knihovny
Ne
Plný text práce
Přílohy
Posudek(y) oponenta
Hodnocení vedoucího
Záznam průběhu obhajoby
Student odprezentoval před komisí hlavní cíle a výsledky své diplomové práce. Prezentace působila dobrým dojmem, student vystihl hlavní body práce. Následně byl student seznámen s posudky vedoucího a oponenta diplomové práce. Student postupně odpověděl na otázky oponenta práce.
Komise nevznesla k obhajobě žádné další dotazy.