Rozšíření dat v inferenčním režimu pro zvýšení klasifikační přesnosti systému automatického hodnocení vývojových fází kardiomyocytů

Abstract

Tato práce se věnuje rešerši technik rozšíření dat v inferenčním režimu a následné aplikaci na převzatý systém automatického hodnocení vývojových fází kardiomyocytů s cílem zvýšení jeho přesnosti pro praktické aplikace. Tyto techniky spočívají v agregaci predikcí modelu strojového učení přes více rozšířených vzorků dat, čímž přispívá k zlepšení robustnosti predikcí. Bylo navrženo několik metod, které se snaží získat co největší nárůst přesnosti nebo berou v úvahu kompromis mezi výpočetní složitostí a ziskem na přesnosti.This thesis studies techniques of test-time augmentation and their application to the adopted system of automatic assessment of cardiomyocyte developmental stages in order to increase its accuracy for practical applications. These techniques consist of aggregating the predictions of a machine learning model across multiple augmented samples of data, consequently contributing to improve the robustness of the predictions. Several methods have been proposed that attempt to obtain the topmost increase in accuracy or take into account the trade-off between computational complexity and accuracy gains.