南開科技大學圖書館 |

Language: 繁體中文

說明(常見問題)

南開科技大學

圖書館首頁

編目中圖書申請

登入

回首頁

切換: 標籤 | MARC模式 | ISBD

物件標記反饋式系統之研究

俞有華

物件標記反饋式系統之研究

紀錄類型:	書目-語言資料,印刷品 : 單行本
作者:	吳育政,
其他作者:	俞有華,
出版地:	[南投縣]
出版者:	南開科技大學電子工程研究所;
出版年:	民108[2019]
面頁冊數:	35葉 : 圖,表 ; 31公分+1張光碟
標題:	物件標記
標題:	Object annotation
電子資源:	https://hdl.handle.net/11296/qa9cvh
電子資源:	https://hdl.handle.net/11296/e68sn2
附註:	指導教授: 俞有華
附註:	參考書目: 葉35
摘要註:	本論文對於現今的物件標記方法提出一個資料集快速生成方式，由於目前所有深度學習演算法在訓練之前必須先將每一張圖像進行標記，產生訓練與測試用之影像資料集，依照規格將分類及方形的左上角及右下角座標存在標記資料夾中，必須花費大量的人力與時間進行人工物件標記影像資料標籤。MS-COCO是由330000影像及超過 200000標記的大型資料集，其豐富的物體檢測，分割和字幕資料內容，產生150萬個物件及80個物件類別，本論文首先使用專門用來做為物件偵測的YOLOv3及MS-COCO資料集進行訓練產生權重，再透過實際場景使用YOLOv3進行測試，修正YOLOv3目標檢測輸出之精準度判別，自動產生物件標記圈選之影像，透過物件標記反饋系統提供圖像標記人員快速標記與修改正確之物件標記，修改後之標記影像可作為後續重新訓練之資料集，進而產生最佳之權重與新的影像資料集。使用本文設計之物件標記反饋系統，可針對需進行人工標記之影像，做預處理動作，減少標記人員標記影像之處理時間，並透過重新訓練的方式，不斷修正影像圈選之準確度，進而改善因人工標記所產生物件圈選之精度誤差。

物件標記反饋式系統之研究
吳, 育政

物件標記反饋式系統之研究 / 吳育政 - [南投縣] : 南開科技大學電子工程研究所, 民108[2019]. - 35葉 ; 圖,表 ; 31公分.
指導教授: 俞有華參考書目: 葉35.
物件標記Object annotation

俞, 有華

物件標記反饋式系統之研究
LDR:03902pam0 2200301 450 001 1000093261
005 20230724150019.0
009 00153665
010 0 $b 精裝
099 $a 107nkut0446005
100 $a 20190219y2019 k y0chia0101 e
101 0 $a chi
102 $a tw
105 $a ak am 000yy
200 1 $a 物件標記反饋式系統之研究 $f 吳育政
210 $a [南投縣] $c 南開科技大學電子工程研究所 $d 民108[2019]
215 0 $a 35葉 $c 圖,表 $d 31公分 $e 1張光碟
300 $a 指導教授: 俞有華
300 $a 參考書目: 葉35
328 $a 碩士論文--南開科技大學電子工程研究所
330 $a 本論文對於現今的物件標記方法提出一個資料集快速生成方式，由於目前所有深度學習演算法在訓練之前必須先將每一張圖像進行標記，產生訓練與測試用之影像資料集，依照規格將分類及方形的左上角及右下角座標存在標記資料夾中，必須花費大量的人力與時間進行人工物件標記影像資料標籤。MS-COCO是由330000影像及超過 200000標記的大型資料集，其豐富的物體檢測，分割和字幕資料內容，產生150萬個物件及80個物件類別，本論文首先使用專門用來做為物件偵測的YOLOv3及MS-COCO資料集進行訓練產生權重，再透過實際場景使用YOLOv3進行測試，修正YOLOv3目標檢測輸出之精準度判別，自動產生物件標記圈選之影像，透過物件標記反饋系統提供圖像標記人員快速標記與修改正確之物件標記，修改後之標記影像可作為後續重新訓練之資料集，進而產生最佳之權重與新的影像資料集。使用本文設計之物件標記反饋系統，可針對需進行人工標記之影像，做預處理動作，減少標記人員標記影像之處理時間，並透過重新訓練的方式，不斷修正影像圈選之準確度，進而改善因人工標記所產生物件圈選之精度誤差。 $u An efficient way to generate data sets for the current object labelling method is proposed in this thesis. Since all deep learning algorithms currently have to label the required object in each image before training. According to the specifications to classify, the coordinates of the top left and bottom right corners of the square in the image are marked and saved in the labelling folder. It needs to spend a lot of manpower and time to do the task.MS-COCO is a large data set which is composed of 330,000 images and more than 200,000 tags. Its rich ability in object detection, segmentation and subtitle data content results in 1.5 million objects and 80 object categories.The first step in this thesis is to use the YOLOv3 and MS-COCO data sets specifically designed for the object detection to generate weights, and then through the actual scene it uses YOLOv3 testing to correct accuracy in detection output of the determined target. Through the object annotation feedback system, the image marking personnel can quickly label and modify the correct object labelling. The modified labelling image can be used as a data set for subsequent re-training, and then the optimal weights and the new image data set is generated.Using the object annotation feedback system proposed in this article, pre-processing actions can be performed for image which is necessary to be manually marked to reduce the processing time for labelling. Through the re-training, it can continuously correct the accuracy and therefore improve the accuracy of the error due to manual labelling.
510 1 $a Research in object annotation feedback system. $z eng
610 0 $a 物件標記 $a 物件偵測 $a 資料集 $a MS-COCO $a YOLOv3
610 1 $a Object annotation $a Object detection $a Dataset $a MS-COCO $a YOLOv3
681 $a 000 $b 2601
700 1 $a 吳 $b 育政 $3 1000117395
702 1 $a 俞 $b 有華 $3 68230
801 0 $a tw $b 國圖 $c 20130805 $g CCR
801 1 $a tw $b 國圖 $c 20130805 $g CCR
856 $u https://hdl.handle.net/11296/qa9cvh
856 $u https://hdl.handle.net/11296/e68sn2