<?xml version="1.0"?>
<rdf:RDF xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#" xmlns:dc="http://purl.org/dc/elements/1.1/"><rdf:Description rdf:about="https://repozitorij.uni-lj.si/IzpisGradiva.php?id=177226"><dc:title>Raziskava posploševanja globokih modelov prepoznave objektov naučenih na sintetičnih podatkovnih setih</dc:title><dc:creator>Šketa,	Tilen	(Avtor)
	</dc:creator><dc:creator>Bračun,	Drago	(Mentor)
	</dc:creator><dc:subject>strojni vid</dc:subject><dc:subject>globoko učenje</dc:subject><dc:subject>prepoznava objektov</dc:subject><dc:subject>segmentacija objektov</dc:subject><dc:subject>sintetične slike</dc:subject><dc:description>V magistrskem delu je bila raziskana uporaba sintetično generiranih slik za učenje globokih modelov prepoznave in segmentacije objektov v industrijskih scenarijih, kjer pomanjkanje kakovostno označenih slik predstavlja ključno oviro. Razvita programska oprema omogoča samodejno generiranje realističnih slik iz CAD modelov ter pripadajočih oznak, pri čemer je mogoče prilagajati raznolikost, kompleksnost in osvetlitev prizorov. Rezultati kažejo, da modeli, naučeni izključno na sintetičnih podatkih, uspešno prepoznavajo osnovne značilnosti objektov, vendar imajo omejeno sposobnost posploševanja na realne slike, kar se bistveno izboljša z dodatnim učenjem na manjšem naboru realnih podatkov. Ugotovljeno je, da raznolikost in realističnost sintetičnih slik pomembno vplivata na prenosljivost modelov, kombinacija sintetičnih in realnih podatkov pa predstavlja učinkovit pristop za razvoj natančnih in robustnih sistemov računalniškega vida.</dc:description><dc:date>2025</dc:date><dc:date>2025-12-18 08:30:36</dc:date><dc:type>Magistrsko delo/naloga</dc:type><dc:identifier>177226</dc:identifier><dc:language>sl</dc:language></rdf:Description></rdf:RDF>