АНАЛІЗ ЕФЕКТИВНОСТІ АЛГОРИТМУ ОПТИМІЗАЦІЇ ЗОБРАЖЕНЬ ПРИ ФОРМУВАННІ НЕПІДТВЕРДЖЕНОЇ КОРИСТУВАЧЕМ НАВЧАЛЬНОЇ ВИБІРКИ

Д.О. Зубарєв, І.С. Скарга-Бандурова, О.М. Сапицька

Èlektron. model. 2019, 42(2):59-67
https://doi.org/10.15407/emodel.42.02.059

АНОТАЦІЯ

Кінцевою метою будь-якої оптимізації процесів у певній сфері є збереження часу та ресурсів людини. У статті проаналізовано ефективність оригінального алгоритму об­робки зображень при формуванні вибірки для навчання штучної нейронної мережі класу CNN на основі непідтвердженого користувачем Image-Dataset, яку буде використано для потреб визначення елементів зображень в межах бінарної логіки.

КЛЮЧОВІ СЛОВА:

глибоке навчання, набір зображень, функція оптимізації зображення, алгоритм навчання мережі.

СПИСОК ЛІТЕРАТУРИ

1. Zubarev, D.O. and Skarga-Bandurova, I.S. (2018), “Analiz efekty`vnosti navchannya CNN za pry`ncy`pom "vchy`tel`-uchen`" z vy`kory`stannyam nepidgotovlenogo Image-Dataset, Visny`k Nacional`nogo texnichnogo universy`tetu «XPI»”, Seriya «Informaty`ka i modelyuvannya», available at: https://doi.org/10.20998/2411-0558.2018.42.10 (Accessed 8 Jan 2019).
2. Goodfellow, I., Bengio, Y., Courville, A. and Bach F. (2017), Deep learning, Cambridge, MA: MIT Press.
3. Atienza, R. (2018), Advanced Deep Learning with Keras, Packt Publishing, Birmingham, UK.
4. Nielsen, M. (2018), “Neural Networks and Deep Learning”, available at: http:// neuralnetworksanddeeplearning.com (Accessed 15 Jan 2019).
5. Chollet, F. (2017), Deep Learning with Python,Manning Publications, New York, USA.
6. Rosebrock, A. (2017), Deep Learning for Computer Vision с Python, PyImageSearch.
7. Shanmugamani, R. (2018), Deep Learning for Computer Vision Packt, PacktPublishing, Birmingham, UK.
8. Sejnowski, T. J. (2018), The Deep Learning Revolution, MA: MIT Press.
9. Pejić-Bach, M. (2007), “Developing system dynamics models with «step-by-step» approach”, available at: https://www.researchgate.net/publication/28811323_Developing_ system_dynamics_models_with_step-by-step_approach (Accessed 24 Dec 2018).
10. Sewak, M., Rezaul K. and Pujari, P. (2018), Practical Convolutional Neural Networks, Packt Publishing.
11. “OpenCV 2.4.13.7 documentation. Miscellaneous Image Transformations. Adaptive Threshold”, available at: https://docs.opencv.org/2.4/modules/imgproc/doc/miscellaneous_ transformations.html?highlight=threshold#threshold (Accessed 18 Jan 2019).
12. (2018), “Python Script to download hundreds of images from Google Images”, available at: https://github.com/hardikvasa/google-images-download (Accessed 24 Jan 2019).
13. Langtangen, H.P. (2015), “Doing operating system tasks in Python”, available at: https://hplgit.github.io/edu/ostasks/ostasks.pdf. (Accessed 26 Jan 2019).
14. Howse, J. (2013), OpenCV Computer Vision with Python, Packt Publishing, Birmingham, UK.
15. “The Python Standart Library. Subprocess management”, available at: https:// docs.python.org/2/library/subprocess.html (Accessed 26 Jan 2019).
16. Gulli, A. and Pal, S. (2017), Deep Learning with Keras, Packt Publishing.
17. Tosi, S. (2009), Matplotlib for Python Developers, Packt Publishing, Birmingham, UK.
18. “The Python Standart Library. Parser for command-line options, arguments and sub-commands”, available at: https://docs.python.org/3.7/library/argparse.html (Accessed 26 Jan 2019).
19. Changhau, I. (2017), “Loss Functions in Neural Networks”, available at: https://isaacchanghau.github.io/post/loss_functions/ (Accessed 26 Jan 2019).

Повний текст: PDF