Спосіб підвищення ефективності методів доповнення даних на основі нейронних мереж
Ескіз недоступний
Дата
2020
Автори
Науковий керівник
Назва журналу
Номер ISSN
Назва тому
Видавець
КПІ ім. Ігоря Сікорського
Анотація
Магістерська дисертація: 83 с., 41 рис., 10 табл., 1 додаток, 32 джерел.
Основна проблема: Три основні елементи машинного навчання - це дані, обчислювальна потужність та алгоритми. Дані є основоювсіх досліджень машинного навчання. Існує дві основні причини виникнення алгоритмів глибокого навчання: перший масштабний збір даних став реальністю, а другий - це розробка високоефективних обчислень, використання яких дозволяє ефективно використовувати великі моделі даних. Будучи найбільш перспективною галуззю штучного інтелекту, глибоке навчання також значною мірою покладається на великі обсяги даних, а розмір набору даних безпосередньо впливає на ефективність моделей алгоритмів глибокого навчання. Однак, для досліджень нейронних мереж, зазвичай необхідно збирати велику кількість реальних даних для тренування нейронної мережі. У той же час ці дані потрібно маркувати вручну деякою класифікаційною та ідентифікаційною інформацією, що вимагає значні часові витрати та великої праці.
Мета роботи: Ця дисертація спрямована на вирішення проблеми перенавчання（overfitting） мережі через те, що набір даних є занадто малим для задачі класифікації та розпізнавання зображень та використовує метод генеративної змагальної мережі для створення зображень для розширення набору даних для досягнення покращення даних.
Основні задачі дослідження:
1. Проаналізувати переваги та недоліки сучасних методів збільшення набору даних та доцільність використання генеративних змагальних мереж для збільшення наборів даних.
2. Запропонувати метод доповнення набору даних, заснований на генеративній змагальній мережі, та структуру моделі нейронної мережі для збільшення набору даних, розробленої на основі цього методу.
3. Порівняти та проаналізувати зображення, згенеровані розробленою моделлю збільшення набору даних, спроектувати експерименти для класифікації на основі оригінальних та згенерованих вибірок та проаналізувати ефективність використання доповнення даних.
Об’єктом дослідження. GAN та доцільність використання згенерованих зразків для розширення вихідного набору даних.
Предметом дослідження. Спираючись на метод генерації змагальних мереж для створення надійних зразків у одно класі, протестуйте ефект збільшення даних цих генерованих зразків шляхом порівняльних експериментів.
Методи дослідження. Експериментальний метод верифікації.
Практичне значення одержаних результатів. Експерименти підтвердили, що метод доповнення набору даних у цій роботі дозволяє отримати більш високу експерементальну точність, що краще, ніж традиційні методи збільшення наборів даних. Більше того, метод даної роботи також має гарний ефект розширення наборів даних у галузі мета-навчання.
Публікації.
YaHu Yang, JiaShu Xu, Yuri Gordienko, Sergii Stirenko ‘Abnormal Interference Recognition Based on Rolling Prediction Average Algorithm’ // The Third International Conference on Computer Science, Engineering and Education Applications (ICCSEEA2020). Kyiv – 2020.
Опис
Ключові слова
генеративні змагальні мережі, збільшення наборів даних, генерація зображень, глибинні нейронні мережі, U-Net, ResNet, generative adversarial networks, data augmentation, image generation, deep neural networks, U-Net, ResNet
Бібліографічний опис
Цзяшу, Сюй Спосіб підвищення ефективності методів доповнення даних на основі нейронних мереж : магістерська дис. : 121 Інженерія програмного забезпечення / Сюй Цзяшу. – Київ, 2020. – 86 с.