Comparison of different methods of image segmentation and classification

Niniejsza praca ma na celu dokonanie analizy różnych metod segmentacji i klasyfikacji obrazów. Jest to jedno z kluczowych zagadnień w świecie Wizji Komputerowej, jak i powszechnie stosowanej w czasach dzisiejszych Sztucznej Inteligencji, znanej nieraz również Machine Learningiem.
 Kolejne rozdziały traktują o następujących zagadnieniach:1. Sieci Neuronowe (od rysu biologicznego po podstawowe architektury)2. Sieci CNN (wprowadzenie, budowa, użyteczność, podsumowanie)3. Transfer Learning (wprowadzenie, definicje, porównanie z uczeniem tradycyjnym, dotrenowanie modelu)4. Segmentacja obrazu (Metody klasyczne - wykrywanie krawędzi, progowanie, bazująca na regionach, klastrowanie oparte na cechach, semantyczna i instancyjna)5. Klasyfikacja obrazu (wprowadzenie, klasyfikatory najbliższego sąsiedztwa, k-najbliższych sąsiadów, z użyciem sieci CNN - R-CNN, Fast R-CNN, Faster R-CNN, i YOLO 1 i 2)6. Praktyczne zastosowania i testy (na autorskiej bazie danych) implementacji wybranych metod.

The author attempts to analyse, and compare different methods of image segmentation and classification. It's one of the most vital aspects of Computer Vision, as well as commonly used Artificial Intelligence, also known as Machine Learning.In particular the covered aspects are:1. Neural Networks (evolution from biological organisms to computer architectures based on them);2. CNN Networks (introduction, architecture, use, summary);3. Transfer Learning (introduction, definitions, comparison with classical learning methods, use of pretrained models);4. Image segmentation (classical methods - edge detection, thresholding, region based, feature based clustering - as well as semantic and instance segmentation);5. Image classification (introduction, nearest neighbour classifier, k-nearest neighbour classifier, with a use of CNN - R-CNN, Fast R-CNN, Faster R-CNN, YOLO 1, and 2);6. Practical use and testing (on self-made database) of chosen methods implementations.