Použití konvoluční neuronové sítě pro klasifikační úlohu

Martin Petráň

Bachelor's thesis

Application of convolutional neural network for a classification task

Abstract:

Cílem této bakalářské práce je vytvořit a optimalizovat model konvoluční neuronové sítě, kterýbude schopen klasifikovat vybrané druhy motýlů s celkovou správností ≥ 95% na testovacímnožině dat.V teoretické části jsou nejdříve vymezeny základní pojmy z oblasti strojového učení a uměléinteligence. Dále je představena použitá metoda přenosu učení a vybraná aplikační oblast.Praktická část se věnuje samotné tvorbě modelu konvoluční neuronové sítě s pomocí Pythonknihovny Keras a následné optimalizaci modelu. V této části jsou také popsány problémy,které bylo nutno překonat, a způsob jejich řešení. Jednalo se zejména o neúčinnost a neefektivitu učícího algoritmu pro zvolená nastavení hyperparametr. V několika experimentech setaké vyskytl problém přeučení. Na závěr je provedeno vyhodnocení modelu včetně analýzyšpatně klasifikovaných případů.Výsledný model dosáhl celkové správnosti 97,77%, ale přesto byly identifikovány určité nedostatky vyplývající z podstaty použité architektury, jako je například neschopnost modelurozeznat více motýlů na vstupním obrázku.

Abstract:

The aim of this bachelor thesis is to create and optimize a convolutional neural networkmodel, which will be able to classify selected species of butterflies with the overall accuracyof ≥ 95% on the test dataset.In the theoretical part, the basic concepts of machine learning and artificial intelligence aredefined. Next, the transfer learning method and the selected application area are presented.The practical part deals with the creation of the convolutional neural network model with theuse of the Python library Keras and subsequent optimization of the model. This section alsodescribes the problems that had to be overcome and the means used to do so. In particular, itwas the ineffectiveness and inefficiency of the learning algorithm for selected hyperparametersettings. The problem of overfitting also occurred in several experiments. Finally, the modelis evaluated including the analysis of misclassified cases.The final model achieved overall accuracy of 97,77%, but some weaknesses were identified.Due to the nature of used architecture, the model is unable to recognize multiple butterfliesin one input image.

Keywords

konvoluční neuronová síť, klasifikace obrazu, počítačové vidění, Keras, přenos učení

Keywords

computer vision, convolutional neural network, Keras, image classification, transfer learning

Language used: Czech

Date on which the thesis was submitted / produced: 20. 2. 2018

Thesis defence

• Date of defence: 13. 6. 2019
• Supervisor: Petr Berka
• Reader: David Chudán

Vysoká škola ekonomická v Praze

Bachelor programme / field:
Aplikovaná informatika / Aplikovaná informatika