prikaz prve stranice dokumenta Primjena prijenosnog učenja u području forenzike
  Download
PDF 2.81 MB
master's thesis
Primjena prijenosnog učenja u području forenzike
2024. urn:nbn:hr:166:652759
Jerković, Nika
University of Split
Faculty of Science
Department of Informatics

Cite this document

Jerković, N. (2024). Primjena prijenosnog učenja u području forenzike (Master's thesis). Split: University of Split, Faculty of Science. Retrieved from https://urn.nsk.hr/urn:nbn:hr:166:652759

Jerković, Nika. "Primjena prijenosnog učenja u području forenzike." Master's thesis, University of Split, Faculty of Science, 2024. https://urn.nsk.hr/urn:nbn:hr:166:652759

Jerković, Nika. "Primjena prijenosnog učenja u području forenzike." Master's thesis, University of Split, Faculty of Science, 2024. https://urn.nsk.hr/urn:nbn:hr:166:652759

Jerković, N. (2024). 'Primjena prijenosnog učenja u području forenzike', Master's thesis, University of Split, Faculty of Science, accessed 11 December 2024, https://urn.nsk.hr/urn:nbn:hr:166:652759

Jerković N. Primjena prijenosnog učenja u području forenzike [Master's thesis]. Split: University of Split, Faculty of Science; 2024 [cited 2024 December 11] Available at: https://urn.nsk.hr/urn:nbn:hr:166:652759

N. Jerković, "Primjena prijenosnog učenja u području forenzike", Master's thesis, University of Split, Faculty of Science, Split, 2024. Available at: https://urn.nsk.hr/urn:nbn:hr:166:652759

Please login to the repository to save this object to your list.
Metadata
TitlePrimjena prijenosnog učenja u području forenzike
Title (english)Application of Transfer Learning in the Field of Forensics
AuthorNika Jerković
MentorSaša Mladenović (mentor)
Committee memberSaša Mladenović (predsjednik povjerenstva)
Committee memberGoran Zaharija (član povjerenstva)
Committee memberDino Nejašmić (član povjerenstva)
GranterUniversity of Split
Faculty of Science
(Department of Informatics)
Split
Defense date and country2024-04-05, Croatia
Scientific / art field,
discipline and subdiscipline		TECHNICAL SCIENCES
Computing
Abstract
Određena područja, poput forenzike, suočavaju se s izazovima prikupljanja podataka zbog njihove specifičnosti i osjetljivosti. Fokus ovog istraživanja usmjeren je na različite strategije rješavanja problema nedostatka podataka, demonstriranih na primjeru klasifikacije spola lubanja na temelju 220 slika dobivenih 3D rekonstrukcijom MSCT snimaka. Detaljno je analiziran problem malih skupova podataka pružajući pregled relevantnih istraživanja, s naglaskom na tehnike povećanja skupa podataka i prijenosno učenje. Pokazano je da klasične tehnike povećanja skupa podataka, kao što su rotacija i razina osvjetljenja, pružaju bolje rezultate od sintetičkih metoda. U kontekstu prijenosnog učenja, model ResNet50 se istakao kao najučinkovitiji, a dodatan napredak postignut je finim podešavanjem. U konačnici su razvijeni modeli za svaki od triju pogleda (lateralni, frontalni i okcipitalni) koristeći klasične tehnike za povećanje skupa podataka i fino podešavanje. Pojedinačni modeli su kombinirani većinskim glasanjem te je postignuta krajnja točnost od 92,54%.
Abstract (english)
Certain research areas, such as forensics, face challenges in collecting data due to the specificity of the data and the sensitive information involved. This research focuses on various strategies to address the data scarcity issue, demonstrated in the context of sex classification based on 220 images obtained through 3D reconstruction of MSCT scans of skulls. The problem of small datasets is analyzed in detail, providing an overview of relevant research and examining approaches such as dataset augmentation and transfer learning. Classical data augmentation techniques, such as rotation and lighting variations, yield better results than synthetic methods. In the context of transfer learning, the ResNet50 model stands out as the most effective, achieving additional progress through fine-tuning. Ultimately, models were developed for each view (lateral, frontal, and occipital) using classical dataset augmentation and fine-tuning techniques. Individual models were combined through majority voting, resulting in an accuracy of 92.54%.
Keywords
Keywords (english)
Languagecroatian
URN:NBNurn:nbn:hr:166:652759
Study programmeTitle: Data Science and Engineering
Study programme type: university
Study level: graduate
Academic / professional title: sveučilišni/a magistar/magistra podatkovne znanosti i inženjerstva (sveučilišni/a magistar/magistra podatkovne znanosti i inženjerstva)
Type of resourceText
File originBorn digital
Access conditionsOpen access
Terms of useLicence In copyright icon
Created on2024-05-03 10:32:46