Metody strojového učení hlubokých neuronových sítí s omezenými datasety
Loading...
Date
Authors
Németh, Filip
ORCID
Advisor
Referee
Mark
B
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstract
Diplomová práca sa zameriava na preskúmanie efektívnosti hlbokých neurónových sietí pri spracovaní obrazových dát s obmedzeným množstvom trénovacích dát. Vrámci práce sa analyzovali vplyvy rôznych techník a prístupov na učenie týchto sietí, vrátane transferového učenia, dátovej augmentácie a metódy prenosu neurónového štýlu. Výsledky experimentov naznačujú, že transferové učenie s využitím pretrénovaných váh z veľkých datasetov ako ImageNet je efektívne pri zlepšovaní výsledkov na obmedzených dátach, dosahujúc vysoké F1-skóre. Využitie rozličných foriem dátovej augmentácie môže viesť k variabilným výsledkom, kde poskytuje rôzne výhody a nevýhody, ktoré majú významný vplyv na úspešnosť a efektivitu modelov. Metóda využívajúca sieť na prenos neurónového štýlu nepriniesla vo všeobecnosti výraznejšie zlepšenie a hlavne sa ukázala ako menej účinná v prípade datasetu s veľkou diverzitou perspektív a geometrických vlastností.
The master thesis aims to investigate the effectiveness of deep neural networks in image processing with limited training data. As part of the work, the effects of various techniques and approaches on the learning of these networks were analyzed, including transfer learning, data augmentation, and neural style transfer method. Experimental results suggest that transfer learning using pre-trained weights from large datasets such as ImageNet is effective in improving results on limited data, achieving high F1-scores. The use of different forms of data augmentation can lead to variable results, where it provides different advantages and disadvantages that have a significant impact on the success and efficiency of the models. In general, the method using a neural style transfer network does not yield significant improvements and proved less effective for dataset with a large diversity of perspectives and geometric features.
The master thesis aims to investigate the effectiveness of deep neural networks in image processing with limited training data. As part of the work, the effects of various techniques and approaches on the learning of these networks were analyzed, including transfer learning, data augmentation, and neural style transfer method. Experimental results suggest that transfer learning using pre-trained weights from large datasets such as ImageNet is effective in improving results on limited data, achieving high F1-scores. The use of different forms of data augmentation can lead to variable results, where it provides different advantages and disadvantages that have a significant impact on the success and efficiency of the models. In general, the method using a neural style transfer network does not yield significant improvements and proved less effective for dataset with a large diversity of perspectives and geometric features.
Description
Citation
NÉMETH, F. Metody strojového učení hlubokých neuronových sítí s omezenými datasety [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2024.
Document type
Document version
Date of access to the full text
Language of document
sk
Study field
bez specializace
Comittee
prof. Ing. Martin Augustynek, Ph.D. (předseda)
Ing. Martin Mézl, Ph.D. (místopředseda)
Ing. Vratislav Harabiš, Ph.D. (člen)
Ing. Filip Plešinger, Ph.D. (člen)
Ing. Tomáš Vičar, Ph.D. (člen)
prof. Ing. Valentýna Provazník, Ph.D. (člen)
Date of acceptance
2024-06-11
Defence
Student prezentoval výsledky své práce a komise byla seznámena s posudky. Student obhájil diplomovou práci a odpověděl na otázky členů komise a oponenta.
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení