נושא הפרוייקט
מספר פרוייקט
מחלקה
שמות סטודנטים
אימייל
שמות מנחים
סגמנטציה סמנטית לתמונות באמצעות מערכות קונבולוציוניות עמוקות
Semantic Image Segmentation with Deep Convolutional Nets
תקציר בעיברית
סגמנטציה סמנטית מפוקחת מצריכה מסד נתונים גדול ומתויג, שבתחומים מסוימים הוא דל - אם בגלל חוסר נתונים או חוסר ידע מקצועי תיוג. בתחומים אלה, לסגמנטציה ללא פיקוח יש יתרונות גדולים מכיוון שאינה דורשת נתונים מתויגים. כדי להעריך את הביצועים של סגמנטציה לא מפוקחת, השווינו את המודל STEGO הבלתי מפוקח למודלים כן מפוקחים. המטרה שלנו הייתה לשנות את המודל שלנו כדי לשפר את הביצועים ולצמצם את המודל כדי להתאים אותו לחומרה ברמה נמוכה יותר, כך שניתן יהיה להשתמש בו עבור יישומים בזמן אמת. STEGO בבסיסה היא פונקציית אובדן ניגודיות המעודדת תכונות ליצור אשכולות קומפקטיים תוך שמירה על מערכות היחסים ביניהן על פני הגופים. עם שיטות של שינוי ושדרוג מסגרות- ניתן היה לשפר את מודל העבודה הנוכחי בעיקר בהורדת משקל המודל. לסיכום, אופטימיזציה של דגמים ללא פיקוח יכולה לאפשר ליישומים בזמן אמת לפעול במכשירים כגון ניידים ומצלמות - כאשר המודפיקציה נכונה.
תקציר באנגלית
Semantic image segmentation is the process of mapping and classifying the natural world for many critical applications such as especially autonomous driving, robotic navigation, localization, and scene understanding. Semantic segmentation, which is a pixel-level labeling for image classification, is an important technique for the scene understanding. Because each pixel is labeled as belonging to a given semantic class. A typical urban scene consists of classes such as street lamp, traffic light, car, pedestrian, barrier and sidewalk. To be able to classify the different objects is a must in tasks such a autonomous driving. Deep Convolutional Neural Networks (DCNNs) have recently shown state of the art performance in high level vision tasks, such as image classification and object detection. In this project DCNN. Image segmentation with DCNN involves feeding segments of an image as input to a convolutional neural network, which labels the pixels. The convolutional layers classify every pixel to determine the context of the image, including the location of objects. Objectives: • Exploring the State of the ART of semantic segmentation • Implementation of different architecture • Finding criteria/solutions for real time implementation