Вибір гіперпараметрів для виявлення аномалій на зображеннях

Скорочена інформація про документ
dc.contributor.advisorДанилов, Валерій Якович
dc.contributor.authorГула, Тетяна Віталіївна
dc.date.accessioned2023-09-08T17:25:23Z
dc.date.available2023-09-08T17:25:23Z
dc.date.issued2023
dc.description.abstractДипломна робота: 115 с., 21 рис., 8 табл., 2 додатки, 16 джерел. Об’єкт дослідження – розробка алгоритму для зменшення розмірностей ознакових векторів за допомогою жадібного вибору оптимальних компонентів (ознак) для задачі розпізнавання аномалій на зображеннях. Предмет дослідження – навчання без вчителя з використання попередньо навченої моделі EfficientNet B0, мультиваріативне розподілення Гуасса та оцінювач коваріації Ledoit-Wolf та принципи PCA та NPCA як попередні техніки зменшення векторів ознак, беручи за оптимальність метрику AUROC. Мета роботи – знайти такі оптимальні гіперпараметри, які б були більш ефективними для виявлення аномалій на зображеннях, зменшували б кількість потрібних для його підрахунків. Знайдені результати можна буде застосовувати до більших кількостей аномалій в індустріальній сфері, тим самим автоматизувати деякі процеси під час виробництва. Результати роботи – розроблено програмний продукт, що виконує комбінаторний підбір найкращих векторів з признаками, які допомагають визначити наявність аномалій на зображеннях. Програмний продукт реалізовано за допомогою мови програмування Python в середовищі Google Colab+.uk
dc.description.abstractotherDiploma thesis: 115 p., 21 figures, 8 tables, 2 appendices, 16 references. The object of the study is the development of an algorithm for reducing the dimensions of feature vectors using the greedy selection of optimal components (features) for the task of recognizing anomalies in images. The subject of the study is unsupervised learning using a pre-trained EfficientNet B0 model, multivariate Gaussian distribution and Ledoit-Wolf covariance estimator, and the principles of PCA and NPCA as prior techniques for feature vector reduction, taking the AUROC metric as optimality. The goal of the work is to find such optimal hyperparameters that would be more effective for detecting anomalies in images, and would reduce the number needed for its calculations. The obtained results can be applied to a larger number of anomalies in the industrial sphere, thereby automating some processes from the time of production. Research results - a software product has been developed that performs a combinatorial selection of the best vectors with features that help determine the presence of anomalies in images. The software product is implemented using the Python programming language in the Google Colab+ environment.uk
dc.format.extent115 с.uk
dc.identifier.citationГула, Т. В. Вибір гіперпараметрів для виявлення аномалій на зображеннях : дипломна робота ... бакалавра : 124 Сістемній аналіз / Гула Тетяна Віталіївна. - Київ, 2023. - 115 с.uk
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/60103
dc.language.isoukuk
dc.publisher.placeКиївuk
dc.subjectмашинне навчанняuk
dc.subjectнавчання без наглядуuk
dc.subjectглибоке навчанняuk
dc.subjectнейронні мережіuk
dc.subjectзгорткові нейронні мережіuk
dc.subjectзменшення розмірностейuk
dc.subjectознакові векториuk
dc.subjectmachine learninguk
dc.subjectunsupervised learninguk
dc.subjectdeep learninguk
dc.subjectneural networksuk
dc.subjectconvolutional neural networksuk
dc.subjectdimensionality reductionuk
dc.subjectfeature vectorsuk
dc.titleВибір гіперпараметрів для виявлення аномалій на зображенняхuk
dc.typeBachelor Thesisuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Gula_bakalavr.pdf
Розмір:
1.66 MB
Формат:
Adobe Portable Document Format
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
9.1 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Бакалаврські роботи (ММСА)
Бакалаврські роботи