UNIVERZITET U TUZLI
FAKULTET ELEKTROTEHNIKE
Franjevačka br. 2 Tuzla
O B J A V L J U J E
Lejla Hodžić, bachelor inž. el., javno će braniti završni magistarski rad pod naslovom:
“Real-time segmentacija portreta u TensorFlow-u”, dana 21. 06. 2021. godine sa početkom u 10,00 sati u Multimedijalnoj sali Univerziteta u Tuzli, pred komisijom u sastavu:
- Dr. sci. Damir Demirović, vanredni profesor – predsjednik, Uža naučna oblast Računarstvo i informatika, Fakultet elektrotehnike Univerziteta u Tuzli
- Dr. sci. Emir Skejić, vanredni profesor – mentor i član, Uža naučna oblast Računarstvo i informatika, Fakultet elektrotehnike Univerziteta u Tuzli
- Dr. sci. Amira Šerifović-Trbalić, vanredni profesor – član, Uža naučna oblast Automatika i robotika Fakultet elektrotehnike Univerziteta u Tuzli
Zamjenski član Komisije dr. sci. Emir Mešković, vanr. prof., uža naučna oblast Računarstvo i informatika, Fakultet elektrotehnike Univerziteta u Tuzli.
Pristup javnosti je slobodan. Završni magistarski rad se može pogledati u Sekretarijatu fakulteta svakim radnim danom od 09,00 do 15,00 sati.
Rezime
Duboko učenje (engl.deep learning) donosi revolucionarne promjene u područje vještačke inteligencije (engl.Artificial Intelligence), a očekuje se da će u narednih nekoliko decenija radikalno promijeniti svijet. Mnogim zahtjevnim problemima iz područja računarske vizije (engl.computer vision) kao što su detekcija, lokalizacija, prepoznavanje i segmentacija objekata u različitim okruženjima, efikasno se bave različite vrste dubokih neuronskih mreža (engl.deep neural network). Real-time segmentacija portreta ima veoma bitnu ulogu u mnogim web aplikacijama, a neke od mogućih primjena uključuju zamjenu ili zamućivanje (engl.blurring) pozadine u video razgovorima ili telekonferencijama.
U ovom radu je korištena semantička segmentacija kako bi se, u realnom vremenu, portret u videu odvojio od pozadine. Semantička segmentacija predstavlja postupak grupiranja piksela slike koji pripadaju istoj klasi objekta. Cilj provedenog istraživanja bio je napraviti trening četiri različita modela dubokog učenja, koji će mati sposobnost da segmentiraju portret iz videa s web kamere u realnom vremenu, te načiniti njihovu usporedbu. Za realizaciju ovog zadatka korištene su dvije različite arhitekture dubokog učenja i dva skupa podataka s više od 30.000 portret slika ljudi. Modeli su trenirani korištenjem TensorFlow frameworka za duboko učenje i Keras biblioteke za neuronske mreže. Trening je obavljen na dvjema različitim arhitekturama. Arhitektura 1 može procesirati RGB slike formata 256×256 brzinom od 12-14 FPS, dok Arhitektura 2 može procesirati RGB slike formata 128×128 brzinom od 15-18 FPS. Primijenjeni pristup dao je dobre performance kako u pogledu tačnosti, tako i u pogledu efikasnosti.
Ključne riječi: duboko učenje, semantička segmentacija, TensorFlow, Keras, segmentacija portreta.