Název: Metody strojového učení hlubokých neuronových sítí s omezenými datasety
Překlad názvu: Deep neural network learning methods with limited datasets
Autoři: Németh, Filip ; Vičar, Tomáš (oponent) ; Jakubíček, Roman (vedoucí práce)
Typ dokumentu: Diplomové práce
Rok: 2024
Jazyk: slo
Nakladatel: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstrakt: [slo] [eng]
Diplomová práca sa zameriava na preskúmanie efektívnosti hlbokých neurónových sietí pri spracovaní obrazových dát s obmedzeným množstvom trénovacích dát. Vrámci práce sa analyzovali vplyvy rôznych techník a prístupov na učenie týchto sietí, vrátane transferového učenia, dátovej augmentácie a metódy prenosu neurónového štýlu. Výsledky experimentov naznačujú, že transferové učenie s využitím pretrénovaných váh z veľkých datasetov ako ImageNet je efektívne pri zlepšovaní výsledkov na obmedzených dátach, dosahujúc vysoké F1-skóre. Využitie rozličných foriem dátovej augmentácie môže viesť k variabilným výsledkom, kde poskytuje rôzne výhody a nevýhody, ktoré majú významný vplyv na úspešnosť a efektivitu modelov. Metóda využívajúca sieť na prenos neurónového štýlu nepriniesla vo všeobecnosti výraznejšie zlepšenie a hlavne sa ukázala ako menej účinná v prípade datasetu s veľkou diverzitou perspektív a geometrických vlastností. The master thesis aims to investigate the effectiveness of deep neural networks in image processing with limited training data. As part of the work, the effects of various techniques and approaches on the learning of these networks were analyzed, including transfer learning, data augmentation, and neural style transfer method. Experimental results suggest that transfer learning using pre-trained weights from large datasets such as ImageNet is effective in improving results on limited data, achieving high F1-scores. The use of different forms of data augmentation can lead to variable results, where it provides different advantages and disadvantages that have a significant impact on the success and efficiency of the models. In general, the method using a neural style transfer network does not yield significant improvements and proved less effective for dataset with a large diversity of perspectives and geometric features.
Klíčová slova: classification; data augmentation; deep learning; limited dataset; neural style transfer; transfer learning

Instituce: Vysoké učení technické v Brně (web)
Informace o dostupnosti dokumentu: Plný text je dostupný v Digitální knihovně VUT.
Původní záznam: https://hdl.handle.net/11012/247168

Trvalý odkaz NUŠL: http://www.nusl.cz/ntk/nusl-617595


Záznam je zařazen do těchto sbírek:
Školství > Veřejné vysoké školy > Vysoké učení technické v Brně
Vysokoškolské kvalifikační práce > Diplomové práce