| Title: | Rozpoznávání izolovaných znaků znakového jazyka |
| Other Titles: | Isolated sign language recognition |
| Authors: | Honzík, Jakub |
| Advisor: | Hrúz Marek, Ing. Ph.D. |
| Referee: | Gruber Ivan, Ing. Ph.D. |
| Issue Date: | 2022 |
| Publisher: | Západočeská univerzita v Plzni |
| Document type: | bakalářská práce |
| URI: | http://hdl.handle.net/11025/49357 |
| Keywords: | znaková řeč;neuronové sítě;temporal segment networks;resnet;mmaction2;lsa64 |
| Keywords in different language: | sign language;neural networks;temporal segment networks;resnet;mmaction2;lsa64 |
| Abstract: | V této práci se věnuji rozpoznávání jednotlivých znaků Argentinské znakové řeči pomocí umělé neuronové sítě. Trénovací a testovací data pocházejí z datasetu LSA64. Optimalizce parametrů neuronové sítě a její vyhodnocení jsem realizoval ve frameworku MMAction2. Testoval jsem optimalizátory SGD a Adam, pro které jsem nalezl vhodný řád konstanty učení, pro SGD to bylo 0,001 a pro Adam 1? 10^5. Pro tyto dvě nastavení jsem provedl křížovou validaci s vynecháním jednoho figuranta. Výsledky ukazují, že síť využívající SGD se na datech natrénuje o zhruba 10 epoch dříve. Úspěšnost SGD při křížové validaci na testovací množině je 0,947? 0,027, Adam má úspěšnost 0,937? 0,018. Z experimentů vyplývá, že v tomto případě je vhodnější použití optimalizátoru SGD, pokud je větší důraz na přesnost. Optimalizátor Adam je vhodnější, pokud je větší důraz na robustnost. |
| Abstract in different language: | In this thesis I'm pursuing Argentinian sign language recognition using artifitial neural network. Training and testing data are from dataset LSA64. Parameter optimalization of neural network and its evaluation were realised with framework MMAction2. I've tested optimizers SGD and Adam, for which I've found suitable order of learning rate, for SGD it was 0.001 and for Adam 1? 10^5. For these two settings I carried out leave-one-out cross-validation. The results show, that the network using SGD finishes training approximately 10 epochs sooner. Accuracy of SGD for cross-validation on test set is 0.947? 0.027, Adam has accuracy 0.937? 0.018. Experiments suggest, that in this case optimizer SGD is more suitable, if there's more emphasis on accuracy. Optimizer Adam is more suitable, if there's more emphasis on robustness. |
| Rights: | Plný text práce je přístupný bez omezení |
| Appears in Collections: | Bakalářské práce / Bachelor´s works (KKY) |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| BP_honzik.pdf | Plný text práce | 8,73 MB | Adobe PDF | View/Open |
| Honzik_V.pdf | Posudek vedoucího práce | 396,61 kB | Adobe PDF | View/Open |
| Honzik_O.pdf | Posudek oponenta práce | 435,59 kB | Adobe PDF | View/Open |
| Honzik_P.pdf | Průběh obhajoby práce | 226,99 kB | Adobe PDF | View/Open |
| rozpoznavani-znakove-reci.zip | VŠKP - příloha | 1,28 GB | ZIP | View/Open |
Please use this identifier to cite or link to this item:
http://hdl.handle.net/11025/49357Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.