prikaz prve stranice dokumenta Prepoznavanje zvijezda postupcima računalnog vida
Pristup svim korisnicima iz sustava znanosti i visokog obrazovanja RH
diplomski rad
Prepoznavanje zvijezda postupcima računalnog vida
2022. urn:nbn:hr:179:279808
Maslov, Marin
Sveučilište u Splitu
Fakultet elektrotehnike, strojarstva i brodogradnje
Zavod za elektroniku i računarstvo

Citirajte ovaj rad

Maslov, M. (2022). Prepoznavanje zvijezda postupcima računalnog vida (Diplomski rad). Split: Sveučilište u Splitu, Fakultet elektrotehnike, strojarstva i brodogradnje. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:179:279808

Maslov, Marin. "Prepoznavanje zvijezda postupcima računalnog vida." Diplomski rad, Sveučilište u Splitu, Fakultet elektrotehnike, strojarstva i brodogradnje, 2022. https://urn.nsk.hr/urn:nbn:hr:179:279808

Maslov, Marin. "Prepoznavanje zvijezda postupcima računalnog vida." Diplomski rad, Sveučilište u Splitu, Fakultet elektrotehnike, strojarstva i brodogradnje, 2022. https://urn.nsk.hr/urn:nbn:hr:179:279808

Maslov, M. (2022). 'Prepoznavanje zvijezda postupcima računalnog vida', Diplomski rad, Sveučilište u Splitu, Fakultet elektrotehnike, strojarstva i brodogradnje, citirano: 14.11.2024., https://urn.nsk.hr/urn:nbn:hr:179:279808

Maslov M. Prepoznavanje zvijezda postupcima računalnog vida [Diplomski rad]. Split: Sveučilište u Splitu, Fakultet elektrotehnike, strojarstva i brodogradnje; 2022 [pristupljeno 14.11.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:179:279808

M. Maslov, "Prepoznavanje zvijezda postupcima računalnog vida", Diplomski rad, Sveučilište u Splitu, Fakultet elektrotehnike, strojarstva i brodogradnje, Split, 2022. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:179:279808

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:179:279808
Prijavite se u repozitorij kako biste mogli spremiti objekt u svoju listu.
Podaci o radu
NaslovPrepoznavanje zvijezda postupcima računalnog vida
Naslov (engleski)Star recognition using computer vision procedures
AutorMarin Maslov
MentorDarko Stipaničev (mentor)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Splitu
Fakultet elektrotehnike, strojarstva i brodogradnje
(Zavod za elektroniku i računarstvo )
Split
Datum i država obrane2022-07-07, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Računarstvo
Sažetak
Prije rješavanja problema ovog rada bilo je potrebno pripremiti ulazne podatke, tj. zvijezde koje su točkice pretvoriti u nešto prepoznatljivije. Klasifikatori objekata uglavnom imaju problema s prepoznavanjem točkastih uzoraka (pogotovo prorijeđenih kao što su zviježđa). Stoga su se na zvijezde postavljali koncentrične kružnice. U nastavku rada se tražio klasifikator, te sam koncept strojnog učenja koji bi najbolje riješio ovaj problem. Nakon treniranja HAAR kaskade (cjelinsko učenje), te MobileNet modela (prijenosno učenje), pokazalo se da je MobileNet jako netočan, dok je HAAR bio djelomično točan jer je bio jako osjetljiv na lažne pozitive. Kako je koncept prijenosnog učenja bio nekoristan, krenulo se u razmišljanje kako poboljšat HAAR detekciju, tj. kako odbaciti sve detekcije koju su zapravo lažni pozitivi. To se izvelo provjerom broja zvijezda u detektiranom području, te korištenjem kliznih parametara kojima se kaskada primjenjuje na slike s različitim veličinama maske i različitim brojem otkrivenih zvijezda. Ovo proširenje detektora je uzrokovalo gotovo 100% točnost prilikom detektiranja zviježđa, jer se gotovo u potpunosti izbjegavaju i odbacuju lažni pozitivi.
Sažetak (engleski)
Before solving the problem described in this paper, it was necessary to prepare the input data, to turn the stars that are dots into something more recognizable. Object classifiers generally have trouble recognizing dot patterns (especially sparse ones such as constellations). Therefore, concentric circles were placed on the stars. After input dana preparation, it was time to choose a concept of machine learning that would be best to solve this paper's problem. Two concepts seemed best: ensemble learning and transfer learning. After training the HAAR cascade (ensemble learning) and the MobileNet model (transfer learning), MobileNet proved to be very inaccurate, while HAAR was partially accurate because it was very sensitive to false positives. As the concept of transfer learning was useless, we started thinking about how to improve the HAAR detection, or perhaps, how to reject all detections that are false positives. This was done by checking the number of stars in the detected area, and using sliding parameters that apply the cascade to images with different mask sizes and different numbers of detected stars. This expansion of the detector has caused almost 100% accuracy when detecting constellations, as false positives are almost completely avoided and rejected.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:179:279808
Studijski programNaziv: Računarstvo
Vrsta studija: sveučilišni
Stupanj studija: diplomski
Akademski / stručni naziv: magistar/magistra inženjer/inženjerka računarstva (mag. ing. com.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaPristup svim korisnicima iz sustava znanosti i visokog obrazovanja RH
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Datum i vrijeme pohrane2023-06-06 10:19:08