Neřízená klasifikace mraků na obrázcích oblohy
Unsupervised Cloud Classification of Sky Imagery
bakalářská práce (OBHÁJENO)
![Náhled dokumentu](/bitstream/handle/20.500.11956/192063/thumbnail.png?sequence=8&isAllowed=y)
Zobrazit/ otevřít
Trvalý odkaz
http://hdl.handle.net/20.500.11956/192063Identifikátory
SIS: 270354
Kolekce
- Kvalifikační práce [10925]
Autor
Vedoucí práce
Oponent práce
Rittig, Tobias
Fakulta / součást
Matematicko-fyzikální fakulta
Obor
Informatika se specializací Umělá inteligence
Katedra / ústav / klinika
Katedra softwaru a výuky informatiky
Datum obhajoby
28. 6. 2024
Nakladatel
Univerzita Karlova, Matematicko-fyzikální fakultaJazyk
Čeština
Známka
Velmi dobře
Klíčová slova (česky)
Neřízená klasifikace|Obraz mraků|Kontrastní učeníKlíčová slova (anglicky)
Unsupervised Classification|Cloud image|Contrastive learningÚloha klasifikace mraků je úloha, při které klasifikujeme snímky mraků do skupin podobných snímků. Obrázky jsou si podobné z hlediska textury, tvaru, barvy, velikosti a dalších vizuálních aspektů. Cílem této práce je vytvořit algoritmus, který dokáže shluko- vat obrázky mraků na základě jejich pokrytí oblohy tak, aby si uživatel mohl vyžádat konkrétní typ pokrytí mraků z databáze obrázků a použít obrázky pro navazující úlohy, jako je například procedurální generování oblohy. Pro extrakci příznaků používáme různé modely založené na kontrastním učení a rekonstrukci obrazu a pro shlukování používáme samokontrolované učení a metody založené na vzdálenosti. Tyto metody byly použity pro shlukování podmnožiny našich dat a vyhodnoceny na základě vizuální konzistence shluků a metrik separace shluků. 1
Cloud classification task is a task where we classify images of clouds into groups of similar images. Images are similar in terms of texture, shape, colour, size and other visual aspects. The aim of this work is to create an algorithm that can cluster images of clouds based on their sky coverage so that a user can request a specific type of cloud coverage from database of images and use the images for downstream tasks such as procedural sky generation. We use various models for feature extraction based on contrastive learning and image reconstruction and for clustering we use self-supervised learning and distance- based methods. These methods were used for clustering a subset of our data and evaluated based on visual consistency of clusters and cluster separation metrics. 1