20.500.12556/RUL-188706 Klasifikacija slik z manjkajočimi slikovnimi elementi magistrsko delo Image classification with missing pixels V delu obravnavamo klasifikacijo slik, v katerih del slikovnih elementov manjka, položaj manjkajočih elementov pa je opisan z binarno masko, znano tako med učenjem kot med napovedovanjem. Kot osrednji prispevek predlagamo dvofazno metodo, ki vrisovalno mrežo U-Net z delnimi konvolucijami in klasifikator ResNet združi v eno samo mrežo: najprej se uči vrisovanja, nato se težišče učenja preusmeri na klasifikacijo, vrisovalni del pa se še naprej prilagaja klasifikacijskemu učnemu signalu, tako da zapolnitve postanejo koristne za klasifikacijo. Na podmnožici sto razredov množice ImageNet pri ločljivosti 224 × 224 vzpostavimo enotno eksperimentalno okolje s tremi družinami mask (kvadratna območja, Perlinov šum, naključni elementi) in širokim razponom deležev manjkajočih elementov. V njem primerjamo osnovno mrežo ResNet z ničelnim zapolnjevanjem, klasifikator z delnimi konvolucijami, prostorsko grafovsko mrežo SGCN, metodo MisConv ter cevovod obnovi-nato-klasificiraj. Predlagana metoda doseže najvišjo točnost pri vseh družinah mask in vseh deležih manjkajočih elementov ter preseže najmočnejšo objavljeno metodo MisConv, tudi na množicah iz izvirnega članka. Rezultati ob tem pokažejo, kolikšen je prispevek poznavanja maske pri realistični ločljivosti in kako je točnost odvisna od družine ter deleža manjkajočih elementov. The thesis addresses the classification of images in which a part of the pixels is missing and the positions of the missing pixels are described by a binary mask, known both at training and at prediction time. As the main contribution we propose a two-phase method that merges a partial-convolution U-Net inpainter and a ResNet classifier into a single network: it first learns to inpaint, then the focus of training shifts to classification while the inpainting part keeps adapting to the classification signal, so that the fill-ins become useful for classification. On a subset of one hundred ImageNet classes at resolution 224 × 224 we establish a unified experimental environment with three mask families (square regions, Perlin noise, random pixels) and a wide range of missing-pixel ratios. Within it we compare a baseline ResNet with zero filling, a classifier with partial convolutions, the spatial graph network SGCN, the MisConv method, and an inpaint-then-classify pipeline. The proposed method achieves the highest accuracy for all mask families and all missing-pixel ratios and outperforms the strongest published method, MisConv, also on the datasets of the original paper. The results further quantify the benefit of knowing the mask at a realistic resolution and how the accuracy depends on the mask family and the missing-pixel ratio. klasifikacija slik manjkajoči podatki binarna maska delna konvolucija vrisovanje delov slik globoko učenje image classification missing data binary mask partial convolution image inpainting deep learning true false false Slovenski jezik Angleški jezik Magistrsko delo/naloga 2026-09-26 08:15:07 2026-09-26 08:15:11 2026-09-29 12:56:39 0000-00-00 00:00:00 2026 0 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 004.42 165523 292336899 24695.pdf 24695.pdf 1 C6C26F07B804636A8C9E191FEE00493B f07dde08de56e86c1df22edfb4028e736eba6b741980d2b0ac8693199a92e2a5 8c40c6a1-b971-11f1-8bc5-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=249031 Fakulteta za matematiko in fiziko 0 0 0