Szerző szerinti böngészés "Berencsi, Csaba"

Megjelenítve 1 - 2 (Összesen 2)
  • Bélyegkép
    TételKorlátozottan hozzáférhető
    Gépi tanulás használata képi adatok elemzéséhez és arcdetektáláshoz egykártyás számítógép segítségével
    Berencsi, Csaba; Bogacsovics, Gergő; DE--Informatikai Kar
    A szakdolgozat célja egy olyan biztonsági rendszer kiépítése, amely a mozgás detektáláson és az arcdetektáláson alapszik. A program implementálása során nagy hangsúlyt fektettem az arcdetektálási módszerek alkalmazására, illetve tesztelésére. A kutatás és a dolgozat megírása során okoseszközként Raspberry Pi, Python programozási nyelv, PyTorch keretrendszer, OpenCV függvénykönyvtár, valamint Visual Studio Code kódfejlesztői környezet került felhasználásra. A szakdolgozatban elkészült arcdetektáló algoritmus öt előre betanított arcdetektáló módszeren alapszik, amelyeket felhasználva létrehoztam egy aggregált arcdetektálót, amelynek kimenete az öt algoritmus által prediktált bounding box átlaga. A öt kiválasztott arcdetektáló és a saját arcdetektálási algoritmus tényleges metrikáit a WIDERFACE benchmark segítségével számítottam ki a validálási és tesztelési adathalmazokon. Az eredmények alátámasztották azt a hipotézist, hogy az aggregált arcdetektáló használata során jobb eredményeket érhetünk el, mintha külön-külön alkalmaznánk az öt kiválasztott arcdetektáló módszert.
  • Nincs kép
    TételKorlátozottan hozzáférhető
    Mezőgazdasági farmok automatizálása megerősítéses tanulás segítségével
    Berencsi, Csaba; Bogacsovics, Gergő; DE--Informatikai Kar
    A diplomamunkám során egy olyan mesterséges intelligenciát próbáltam megalkotni, amelyet mezőgazdasági gépjárműbe integrálva képes egy mezőgazdasági területen begyűjteni a takarmányokat. Kutatás során arra a kérdésre kerestem a választ, hogy a gyorsan változó időjárási tényezők és az egyre kevesebb munkaerő ellenére megoldhatóak-e ezek a problémák megerősítéses tanulást alkalmazva. A környezetet, a takarmányokat és az ágenst Unity környezetben modelleztem le, illetve tanítottam be az ML-Agents eszköztár segítségével. Különféle komponensek és szkriptek használatával közelebb kerültem a valósághű ábrázoláshoz. A tanításokat három különböző környezetben végeztem el, amelyeken a PPO algoritmust használtam. A tanítások eredményeit TensorBoard segítségével vizualizáltam, így azonnali visszajelzést kaptam a tanítások eredményeiről.