prikaz prve stranice dokumenta PRIMJENA DUBOKOG UČENJA ZA DETEKCIJU STUPNJA SLIČNOSTI INDIVIDUALNOG UMJETNIČKOG STILA
  Download
PDF 4.35 MB
master's thesis
PRIMJENA DUBOKOG UČENJA ZA DETEKCIJU STUPNJA SLIČNOSTI INDIVIDUALNOG UMJETNIČKOG STILA
2023. urn:nbn:hr:225:152296
Manhart, Katarina
Algebra University College

Cite this document

Manhart, K. (2023). PRIMJENA DUBOKOG UČENJA ZA DETEKCIJU STUPNJA SLIČNOSTI INDIVIDUALNOG UMJETNIČKOG STILA (Master's thesis). Zagreb: Algebra University College. Retrieved from https://urn.nsk.hr/urn:nbn:hr:225:152296

Manhart, Katarina. "PRIMJENA DUBOKOG UČENJA ZA DETEKCIJU STUPNJA SLIČNOSTI INDIVIDUALNOG UMJETNIČKOG STILA." Master's thesis, Algebra University College, 2023. https://urn.nsk.hr/urn:nbn:hr:225:152296

Manhart, Katarina. "PRIMJENA DUBOKOG UČENJA ZA DETEKCIJU STUPNJA SLIČNOSTI INDIVIDUALNOG UMJETNIČKOG STILA." Master's thesis, Algebra University College, 2023. https://urn.nsk.hr/urn:nbn:hr:225:152296

Manhart, K. (2023). 'PRIMJENA DUBOKOG UČENJA ZA DETEKCIJU STUPNJA SLIČNOSTI INDIVIDUALNOG UMJETNIČKOG STILA', Master's thesis, Algebra University College, accessed 22 October 2024, https://urn.nsk.hr/urn:nbn:hr:225:152296

Manhart K. PRIMJENA DUBOKOG UČENJA ZA DETEKCIJU STUPNJA SLIČNOSTI INDIVIDUALNOG UMJETNIČKOG STILA [Master's thesis]. Zagreb: Algebra University College; 2023 [cited 2024 October 22] Available at: https://urn.nsk.hr/urn:nbn:hr:225:152296

K. Manhart, "PRIMJENA DUBOKOG UČENJA ZA DETEKCIJU STUPNJA SLIČNOSTI INDIVIDUALNOG UMJETNIČKOG STILA", Master's thesis, Algebra University College, Zagreb, 2023. Available at: https://urn.nsk.hr/urn:nbn:hr:225:152296

Metadata
TitlePRIMJENA DUBOKOG UČENJA ZA DETEKCIJU STUPNJA SLIČNOSTI INDIVIDUALNOG UMJETNIČKOG STILA
AuthorKatarina Manhart
MentorLeo Mršić (mentor)
GranterAlgebra University College
Zagreb
Defense date and country2023-04-04, Croatia
Scientific / art field,
discipline and subdiscipline		TECHNICAL SCIENCES
Computing
Abstract
Ovaj rad istražuje u kojoj mjeri algoritam za duboko učenje može prepoznati karakteristike i stupanj sličnosti individualnog umjetničkog stila. Teorijski dio rada opisuje najvažnije istraživačke smjerove u području računalnih znanosti koji mogu doprinijeti umjetničkoj zajednici. Objašnjava se koncept konvolucijskih neuronskih mreža koje su posebno prilagođene za procesiranje slika. Zatim su izdvojene one značajke mreža koje na temelju prethodnih istraživanja pokazuju najveći potencijal za povećanje točnosti prilikom kreiranja modela za prepoznavanje stupnja sličnosti individualnog umjetničkog stila. Praktični dio rada prikazuje korištenje transfernog učenja, pri čemu se prilagođavaju tri moderne arhitekture za duboko učenje: ResNet50, ResNeXt50_32x4d i densenet121. Iako analiza ne pokazuje velike razlike u primjeni modela, prema metrici točnosti najbolje rezultate pokazuje ResNet50. Iz tog je razloga uvršten u prototip web rješenja za procjenu stupnja sličnosti individualnog umjetničkog stila. Prototip donosi ideju za novi alat koji mjeri stupanj sličnosti ili utjecaj autora u području umjetnosti.
Abstract (english)
This paper investigates the extent to which a deep learning algorithm can recognize features and compare the degree of similarity of individual artistic styles. The theoretical part of the paper describes new trends in the field of computer science that can contribute to the artistic community. The paper explains the concept of convolutional neural networks, which are specially adapted for image processing. It lists features that had the greatest impact on the results of research in domains of author classification and recognition of individual artistic style. Practical part of the paper shows the usage of transfer learning while adapting three modern architectures for deep learning: ResNet50, ResNeXt50_32x4d I densenet121. Although the comparison does not show major differences in the models, ResNet50 shows the best results, at least according to the accuracy metric. For this reason, it was included in the web application for the assessment of the individual artistic style. This prototype can inspire ideas for a new tool for assessing the influence of individual artistic styles and authors in the field of art.
Keywords
Keywords (english)
Languagecroatian
URN:NBNurn:nbn:hr:225:152296
Study programmeTitle: Applied Computer Engineering - Graduate Professional Program; specializations in: System Engineering, Software Engineering, Data Science, Game Developmnet
Course: Data Science
Study programme type: professional
Study level: specialist graduate
Academic / professional title: stručni/a specijalist/specijalistica inženjer računarstva (stručni/a specijalist/specijalistica inženjer računarstva)
Type of resourceText
File originBorn digital
Access conditionsOpen access
Terms of useLicence In copyright icon
Created on2023-05-08 07:51:58