Endre søk
RefereraExporteraLink to record
Permanent link

Direct link
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annet format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annet språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Automatic Anomaly Detection in Graphical User Interfaces Using Deep Neural Networks
KTH, Skolan för elektroteknik och datavetenskap (EECS).
2019 (engelsk)Independent thesis Advanced level (degree of Master (Two Years)), 20 poäng / 30 hpOppgaveAlternativ tittel
Automatisk detektering av avvikelser i grafiska användargränssnitt med hjälp av djupinlärning (svensk)
Abstract [en]

The automatic detection of code errors is a ubiquitous part of the quality assurance process performed during software development. However, graphical errors that may occur in user interfaces are often detected manually. This report examines if deep neural networks (DNNs), may be used to automatically detect two common types of anomalies present in a graphical user interface. The results point towards this being the case for the particular dataset used in this report.

Abstract [sv]

Automatisk detektering av kodfel är standard i kvalitetsarbetet som utförs vid

mjukvaruveckling. Grafiska fel som kan uppstå i användargränssnitt upptäcks dock ofta manuellt. Den här rapporten undersöker ifall djupa neurala nätverk kan användas för att automatiskt detektera två vanliga fel som uppstår i användargränssnitt. Resultaten indikerar att så är fallet åtminstone för det specifika dataset som används.

sted, utgiver, år, opplag, sider
2019. , s. 43
Serie
TRITA-EECS-EX ; 2019:513
HSV kategori
Identifikatorer
URN: urn:nbn:se:kth:diva-264457OAI: oai:DiVA.org:kth-264457DiVA, id: diva2:1373586
Eksternt samarbeid
Accedo
Utdanningsprogram
Master of Science in Engineering - Electrical Engineering
Veileder
Examiner
Tilgjengelig fra: 2019-11-27 Laget: 2019-11-27

Open Access i DiVA

fulltext(1575 kB)22 nedlastinger
Filinformasjon
Fil FULLTEXT01.pdfFilstørrelse 1575 kBChecksum SHA-512
ca51bfdd5047905bcc24b964af4711ad4e0c050a0507ea34bc7b27d4e5fa1bdc641fa1f4630a698d39ab909cef027a0c0b3368b2766115a4dd7c2115947225db
Type fulltextMimetype application/pdf

Av organisasjonen

Søk utenfor DiVA

GoogleGoogle Scholar
Totalt: 22 nedlastinger
Antall nedlastinger er summen av alle nedlastinger av alle fulltekster. Det kan for eksempel være tidligere versjoner som er ikke lenger tilgjengelige

urn-nbn

Altmetric

urn-nbn
Totalt: 23 treff
RefereraExporteraLink to record
Permanent link

Direct link
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annet format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annet språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf