dc.date.accessioned |
2016-08-17T09:59:56Z |
und |
dc.date.accessioned |
2017-10-24T12:24:17Z |
|
dc.date.available |
2016-08-17T09:59:56Z |
und |
dc.date.available |
2017-10-24T12:24:17Z |
|
dc.date.issued |
2016-08-17T09:59:56Z |
|
dc.identifier.uri |
http://radr.hulib.helsinki.fi/handle/10138.1/5698 |
und |
dc.identifier.uri |
http://hdl.handle.net/10138.1/5698 |
|
dc.title |
Pistejoukkojen etäisyysmitat optisessa merkkien tunnistuksessa |
fi |
ethesis.discipline |
Computer science |
en |
ethesis.discipline |
Tietojenkäsittelytiede |
fi |
ethesis.discipline |
Datavetenskap |
sv |
ethesis.discipline.URI |
http://data.hulib.helsinki.fi/id/1dcabbeb-f422-4eec-aaff-bb11d7501348 |
|
ethesis.department.URI |
http://data.hulib.helsinki.fi/id/225405e8-3362-4197-a7fd-6e7b79e52d14 |
|
ethesis.department |
Institutionen för datavetenskap |
sv |
ethesis.department |
Department of Computer Science |
en |
ethesis.department |
Tietojenkäsittelytieteen laitos |
fi |
ethesis.faculty |
Matematisk-naturvetenskapliga fakulteten |
sv |
ethesis.faculty |
Matemaattis-luonnontieteellinen tiedekunta |
fi |
ethesis.faculty |
Faculty of Science |
en |
ethesis.faculty.URI |
http://data.hulib.helsinki.fi/id/8d59209f-6614-4edd-9744-1ebdaf1d13ca |
|
ethesis.university.URI |
http://data.hulib.helsinki.fi/id/50ae46d8-7ba9-4821-877c-c994c78b0d97 |
|
ethesis.university |
Helsingfors universitet |
sv |
ethesis.university |
University of Helsinki |
en |
ethesis.university |
Helsingin yliopisto |
fi |
dct.creator |
Kärnä, Hannu |
|
dct.issued |
2016 |
|
dct.language.ISO639-2 |
fin |
|
dct.abstract |
Automaattista hahmontunnistusta käytetään yhä useammassa tilanteessa niin kannettavan tietokoneen lukituksen poistoon kuin ihmisten tunnistamiseen valvontakameran kuvista. Tehtävä on vaativa, sillä tunnistettava on usein kolmiulotteinen objekti, josta on käytettävissä vain kaksiulotteinen projektio tuntemattomasta kuvakulmasta. Tai sitten hahmot muuten poikkeavat monin tavoin aiemmin nähdyistä, kuten käsin kirjoitetut merkit. Tutkielmassa kuvaillaan tunnettuja pistejoukkojen etäisyysmittoja ja ehdotetaan joitakin uusia mittoja. Empiirisessä kokeessa numeroiden hahmoja käsiteltiin pistejoukkoina. Niitä luokiteltiin k:n lähimmän naapurin menetelmällä käyttäen eri etäisyysmittoja samankaltaisuuden mittana. Koeaineistona toimi käsin kirjoittuja numeroita sisältävä MNIST-tietokanta, jota on käytetty paljon luokittelumenetelmien testaamiseen. Luokittelussa saavutettiin 97,5%:n tarkkuus, joka on monessa tapauksessa riittävä, vaikka tarkempia luokittelumenetelmiä on olemassa. Erityisesti havaittiin, että pistejoukkojen etäisyysmittoja käyttäen voidaan luokitella tyydyttävästi hyvinkin puutteellista dataa. Kun tunnistettavien hahmojen pisteistä poistettiin 83%, vaikutti luokittelutulos kilpailukykyiseltä jopa ihmisen tekemään tunnistukseen verrattuna. |
fi |
dct.language |
fi |
|
ethesis.language.URI |
http://data.hulib.helsinki.fi/id/languages/fin |
|
ethesis.language |
Finnish |
en |
ethesis.language |
suomi |
fi |
ethesis.language |
finska |
sv |
ethesis.thesistype |
pro gradu-avhandlingar |
sv |
ethesis.thesistype |
pro gradu -tutkielmat |
fi |
ethesis.thesistype |
master's thesis |
en |
ethesis.thesistype.URI |
http://data.hulib.helsinki.fi/id/thesistypes/mastersthesis |
|
dct.identifier.urn |
URN:NBN:fi-fe2017112251301 |
|
dc.type.dcmitype |
Text |
|