6533b7d4fe1ef96bd126375f
RESEARCH PRODUCT
Attēla atpazīšanas trokšņa ietekmes samazināšanas metodes dziļajos neironu tīklos, izmantojot brīvpieejamos attēla datus
Mārcis Rublānssubject
DatorzinātneAKTIVĀCIJU FUNKCIJASIZMAKSU FUNKCIJAS OPTIMIZĀCIJAS METODESL2 REGULIZĀCIJAS METODEATTĒLU TROKŠŅIDZIĻIE NEIRONU TĪKLIdescription
Attēlu atpazīšana pēdējos gados, izmantojot dziļos neironu tīklus, ir kļuvusi par vienu no vispētītākajām dziļās mašīnmācīšanās apakšnozarēm. Ievades attēls vairāk vai mazāk var saturēt dažādus trokšņu veidus, kas, piemēram, var rasties dēļ lādiņu saites matricas CCD defektiem vai, piemēram, dēļ beigtiem pikseļiem šķidro kristālu LCD monitoros, tādējādi radot kļūdas attēlu atpazīšanas procesā. Maģistra darba "Attēla atpazīšanas trokšņa ietekmes samazināšanas metodes dziļajos neironu tīklos, izmantojot brīvpieejamos attēla datus" mērķis ir veikt pētījumu starp konkrētām trokšņa ietekmes samazināšanas metodēm, kas tika pielietotas uz pašveidotiem trokšņainiem MNIST (Mixed National Institute of Standarts and Technology) datiem. Darba ietvaros tika iegūts trokšņu ietekmes samazinājums procentos attēlu atpazīšanas procesiem pie dažādiem trokšņiem, trokšņu līmeņiem, aktivācijas funkcijām, izmaksu funkcijas optimizēšanas metodēm kopā ar trokšņu ietekmes samazināšanas metodēm: L2 regulizācijas metode, dropout metode. Trokšņu ietekmes samazināšanas metodes (L2, dropout, autoencoder) tika salīdzinātās gan savā starpā, gan ar citiem literatūrā atrodamajiem rezultātiem. Salīdzinājums tika veikts ar attēlu atpazīšanas kļūdām pie labākajām izmaksu funkcijas optimizācijas metodēm, aktivācijas funkcijām, trokšņu veidiem un to līmeņiem. Autoencoder metodes rekonstruētie attēli tika salīdzināti ar Matlab filtru iegūtiem attēliem.
| year | journal | country | edition | language |
|---|---|---|---|---|
| 2017-01-01 |