Využtie techniky transfer learning pre klasifikáciu obrazu umelou neurónovou sieťou

Marek Šimon

Bachelor's thesis

Využití techniky transfer learning pro klasifikaci obrazu umělou neuronovou sítí

Abstract:

Práce představuje koncept přeneseného učení v kontext umělé inteligence, umělých neuronových sítí a počítačového vidění, kdy je realizována binární a vícetřídní klasifikace postavena na klasickém izolovaném přístupu k trénování neuronových sítí, následována aplikací konceptu přeneseného učení. Výsledky realizovaných klasifikátorů jsou evaluované a zároveň jsou vyvozeny závěry o úspěšnosti vzniklých modelů. Samotná realizace je postavena na vysokoúrovňové knihovně na tvorbu a učení umělých neuronových sítí Keras a na předtrénovaném modely VGG16, který slouží jako podkladová síť pro modely na kterých byla aplikována technika přeneseného učení. Dosažené výsledky demonstrují potenciál ve využití techniky přeneseného učení, kdy vzniklé modely dokázali předčit schopnosti modelů trénovaných tradičním přístupem ve všech kategoriích od času stráveného trénováním až po přesnost či správnost modelu i v případě použití nekvalitního datasetu, jakým byl jeden ze zvolených datasetů Caltech 101, který obsahuje 8 677 nerovnoměrně rozdělených obrázků v 101 kategoriích a je tak výzvou pro tvorbu dobrého modelu. Při tvorbě práce byla získána znalost o tom jakým způsobem, případně jakým směrem se vydat při aplikování konceptu přeneseného učení pro získání co nejlepších možných výsledků.

Abstract:

The thesis introduces the concept of transferred learning in the context of artificial intelligence, artificial neural networks and computer vision, where a binary and multi-class classification is built based on classical isolated approach to neural network training, followed by the application of the concept of transferred learning. The results of the implemented classifiers are evaluated and conclusions about the success of the models are drawn. The realization itself is based on a high-level library for the creation and learning of artificial neural networks keras and on the pre-trained VGG16 model, which serves as a background network for models on which the transferred learning technique has been applied. The results demonstrate the potential of using the transferred learning technique, where the models have surpassed the skills of models traditionally approached in all categories from time spent training to the accuracy or precision of the model, even when using a poor quality dataset such as one of the selected datasets Caltech 101 that contains 8 677 unevenly distributed images in 101 categories and is a challenge for creating a good model. During the creation of the work, knowledge of how or in what direction to apply the concept of transferred learning to obtain the best possible results was obtained.

Abstract:

Práca predstavuje koncept preneseného učenia v kontexte umelej inteligencie, umelých neurónových sietí a počítačového videnia, kedy je realizovaná binárna a viactriedna klasifikácia postavená na klasickom, izolovanom prístupe k trénovaniu neurónových sietí, následovaná aplikáciou konceptu preneseného učenia. Výsledky realizovaných klasifikátorov sú evaluované a zároveň sú vyvodené závery o úspešnosti vzniknutých modelov. Samotná realizácia je postavená na vysokoúrovňovej knihovne na tvorbu a učenie umelých neurónových sietí Keras a na predtrénovanom modely VGG16, ktorý slúži ako podkladová sieť pre modely na ktorých bola aplikovaná technika preneseného učenia. Dosiahnuté výsledky demonštrujú potenciál vo využití techniky preneseného učenia, kedy vzniknuté modely dokázali predčiť schopnosti modelov trénovaných tradičným prístupom vo všetkých kategóriách od času stráveného trénovaním až po presnosť, či správnosť modelu aj v prípade použitia nekvalitného datasetu, akým bol jeden zo zvolených datasetov Caltech 101, ktorý obsahuje 8 677 nerovnomerne rozdelených obrázkov v 101 kategóriách a je tak výzvou pre tvorbu dobrého modelu. Pri tvorbe práce bola získaná znalosť o tom akým spôsobom, prípadne akým smerom sa vydať pri aplikovaní konceptu preneseného učenia pre získanie čo najlepších možných výsledkov.

Keywords

keras, klasifikace obrazu, konvolučné sítě, přenesené učení, počítačové vidění

Keywords

convolutional networks, image classification, keras, computer vision, transfer learning

Keywords

keras, klasifikácia obrazu, konvolučné siete, prenesené učenie, počítačové videnie

Language used: Slovak

Date on which the thesis was submitted / produced: 4. 2. 2019

Thesis defence

• Date of defence: 12. 6. 2019
• Supervisor: Ondřej Zamazal
• Reader: Petr Berka

Vysoká škola ekonomická v Praze

Bachelor programme / field:
Aplikovaná informatika / Aplikovaná informatika