Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat 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 (Engelska)Självständigt arbete på avancerad nivå (masterexamen), 20 poäng / 30 hpStudentuppsats (Examensarbete)Alternativ titel
Automatisk detektering av avvikelser i grafiska användargränssnitt med hjälp av djupinlärning (Svenska)
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.

Ort, förlag, år, upplaga, sidor
2019. , s. 43
Serie
TRITA-EECS-EX ; 2019:513
Nationell ämneskategori
Data- och informationsvetenskap
Identifikatorer
URN: urn:nbn:se:kth:diva-264457OAI: oai:DiVA.org:kth-264457DiVA, id: diva2:1373586
Externt samarbete
Accedo
Utbildningsprogram
Civilingenjörsexamen - Elektroteknik
Handledare
Examinatorer
Tillgänglig från: 2019-11-27 Skapad: 2019-11-27

Open Access i DiVA

fulltext(1575 kB)22 nedladdningar
Filinformation
Filnamn FULLTEXT01.pdfFilstorlek 1575 kBChecksumma SHA-512
ca51bfdd5047905bcc24b964af4711ad4e0c050a0507ea34bc7b27d4e5fa1bdc641fa1f4630a698d39ab909cef027a0c0b3368b2766115a4dd7c2115947225db
Typ fulltextMimetyp application/pdf

Av organisationen
Skolan för elektroteknik och datavetenskap (EECS)
Data- och informationsvetenskap

Sök vidare utanför DiVA

GoogleGoogle Scholar
Totalt: 22 nedladdningar
Antalet nedladdningar är summan av nedladdningar för alla fulltexter. Det kan inkludera t.ex tidigare versioner som nu inte längre är tillgängliga.

urn-nbn

Altmetricpoäng

urn-nbn
Totalt: 23 träffar
RefereraExporteraLänk till posten
Permanent länk

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