Vliv pozadí a velikosti databáze na trénování neuronových sítí pro klasifikaci obrazů

Abstract

Tato bakalářská práce se zaobírá vlivem pozadí a velikosti databáze na trénování neuronových sítí pro klasifikaci obrazů. V práci jsou popsány techniky zpracování obrazů pomocí konvolučních neuronových sítí a vliv pozadí (šumu) a velikosti databáze na trénování. Práce navrhuje metody, se kterými lze dosáhnout rychlejšího a přesnějšího procesu trénování konvolučních neuronových sítí. Pro experimentování je vybrána binární klasifikace datové množiny označených tváří z různého prostředí, jejíž pozadí je pro každý experiment modifikováno nahrazením barvou nebo ořezáním. Velikost datové množiny je pro trénování konvolučních neuronových sítí klíčová, v této práci je experimentováno s velikostí trénovací množiny, což simuluje reálný problém s nedostatkem dat při trénování konvolučních neuronových sítí pro klasifikaci obrazů.This bachelor thesis deals with the impact of background and database size on training of neural networks for image classification. The work describes techniques of image processing using convolutional neural networks and the influence of background (noise) and database size on training. The work proposes methods which can be used to achieve faster and more accurate training process of convolutional neural networks. A binary classification of Labeled Faces in the Wild dataset is selected where the background is modified with color change or cropping for each experiment. The size of dataset is crucial for training convolutional neural networks, there are experiments with the size of training set in this work, which simulate a real problem with the lack of data when training convolutional neural networks for image classification.