Analiza rada VGG arhitekture neuronske mreže

završni rad

• Naslov (engleski): VGG neural network architecture performance analysis
• Autor: Klara Trbara
• Mentor: Tomislav Stipančić (mentor)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet strojarstva i brodogradnje; Zagreb
• Datum i država obrane: 2022-09-28, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: TEHNIČKE ZNANOSTI; Računarstvo; Umjetna inteligencija

Sažetak

Kroz ovaj rad je prikazan razvoj konvolucijske neuronske mreže primjenjujući VGG arhitekturu u problemu rješavanja klasifikacije slika. Slike pasa i mačaka su zadane iz poznate baze podataka zadane u svrhu Kaggle-ovog natjecanja iz strojnog učenja iz 2013. godine. U uvodu rada se upoznajemo s osnovnom gradivnom jedinicom neuronske mreže perceptorom i osnovnom principima njezinog rada. U nastavku će se predstaviti opća arhitektura konvolucijskih neuronskih mreža. Naglasak ovog rada je na savladavanju principa razvoja osnovnog modela VGG arhitekture neuronske mreže s kojom se želi prikazati rast preciznosti klasifikacije mreže dodavanjem novih blokova. Prikazat će se razvoj osnovnog modela kroz korištenje cloud servisa i online sučelja Google Colab koristeći se otvorenim softverskim bibliotekama za strojno učenje (Tenserflow). Potom se na istoj bazi podataka testira već unaprijed istrenirana arhitektura neuronske mreže VGG-16 te se uspoređuju rezultati s osnovnim modelom.

Sažetak (engleski)

This paper presents the development of a convolutional neural network applying the VGG architecture to the problem of image classification. The images of dogs and cats were taken from a well-known database provided for Kaggle's 2013 machine learning competition.
In first part of the paper, we are introduced to the basic building block of the neural network, the preceptor, and the basic principles of its operation. Furthermore, the general architecture of convolutional neural networks will be presented.
The emphasis of this paper is on mastering the principles of developing the basic model of the VGG architecture of the neural network, with which we want to show the growth of the accuracy of the network classification by stacking new blocks. The development of the basic model will be presented through the use of cloud services and the Google Colab online interface using open software libraries for machine learning (TensorFlow). Then, the pre-trained VGG-16 neural network architecture is tested on the same database and the results are compared with the basic model.

• Ključne riječi: konvolucija; CNN; VGG; umjetne neuronske mreže; VGG-16; perceptor; Tensorflow
• Ključne riječi (engleski): convolution; CNN; VGG; artificial neural networks; VGG-16; preceptor; Tensorflow
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:235:078686
• Studijski program: Naziv: Strojarstvo; Vrsta studija: sveučilišni; Stupanj studija: preddiplomski; Akademski / stručni naziv: sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka strojarstva (univ. bacc. ing. mech.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Otvoreni pristup
• Datum i vrijeme pohrane: 2022-09-26 11:13:02