Rozpoznawanie obiektów przez głębokie sieci neuronowe

• Autorzy: Kwasigroch A. , Grochowski M.

Identyfikatory

DOI

10.32016/1.60.12

Warianty tytułu

EN

Object classification with deep neural networks

• Konferencja: XXVIII cykl seminarów zorganizowanych przez PTETiS Oddział w Gdańsku ZASTOSOWANIE KOMPUTERÓW W NAUCE I TECHNICE 2018 (XXVIII; 2018; Gdańsk, Polska)
• Języki publikacji: PL

Abstrakty

PL

W referacie zaprezentowane zostaną wyniki badań nad rozpoznawaniem obiektów w różnych warunkach za pomocą głębokich sieci neuronowych. Przeanalizowano działanie dwóch struktur – ResNet50 oraz VGG19. Systemy rozpoznawania obrazu wytrenowano oraz przetestowano na reprezentatywnej, bazie zawierającej 25 tys. zdjęć psów oraz kotów, która znacznie upraszcza analizowanie działania systemów ze względu na łatwość interpretacji zdjęć przez człowieka. Zbadano wpływ pojawienia się nietypowych zdjęć na wynik klasyfikacji. Ponadto przeanalizowano zdjęcia niepoprawnie sklasyfikowane i porównano je z interpretacjami człowieka. Uzyskano bardzo wysokie wyniki klasyfikacji. Do oceny systemów użyto miar statystycznych takich jak: dokładność, czułość, swoistość, krzywe ROC.

EN

Deep neural networks are modern algorithms from the family of artificial intelligence, that are widely used these days for task of an image analysis. In this paper, we present results of research on deep neural network for image recognition. We tested 2 different neural architectures, namely: modified VGG19, ResNet50. In order to improve the classification results we employed two methods called dropout and transfer learning. The systems were trained on the dataset containing 22 000 training images and 3000 test images. The dataset used contains different pictures of animals (cats and dogs). The dataset of animals make analyses of network performance easier, because they are easy to interpret by human. The employed systems were tested qualitatively and quantitatively. The influence of atypical inputs were examined, also. Moreover, the analysis of improperly classified images was performed. We achieved high classification results. In order to evaluate the classification performance we utilized the following set of statistical measures: accuracy, specificity, sensitivity and ROC curves.

Słowa kluczowe

PL

uczenie głębokie; sieci neuronowe; sztuczna inteligencja; przetwarzanie obrazu

EN

deep learning; neural networks; artificial intelligence; image processing

• Wydawca: Wydział Elektrotechniki i Automatyki Politechniki Gdańskiej
• Czasopismo: Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej
• Rocznik: 2018
• Tom: Nr 60
• Strony: 63--66
• Opis fizyczny: Bibliogr. 11 poz., rys., wykr., tab.

Twórcy

autor

Kwasigroch A.

• Wydział Elektrotechniki i Automatyki, Politechnika Gdańska tel.: [phone]

autor

Grochowski M.

• Wydział Elektrotechniki i Automatyki, Politechnika Gdańska tel.: [phone]

Bibliografia

• 1. Y. LeCun, Y. Bengio, and G. Hinton, “Deep learning,” Nature, vol. 521, no. 7553, p. 436, 2015.
• 2. Y. LeCun, K. Kavukcuoglu, and C. Farabet, “Convolutional networks and applications in vision,” in Proceedings of 2010 IEEE International Symposium on Circuits and Systems, 2010, pp. 253–256.
• 3. X. Glorot, A. Bordes, and Y. Bengio, “Deep sparse rectifier neural networks,” AISTATS ’11: Proceedings of the 14th International Conference on Artificial Intelligence and Statistics, vol. 15, pp. 315–323, Jun. 2011
• 4. K. Simonyan and A. Zisserman, “Very deep convolutional networks for large-scale image recognition,” arXiv preprint arXiv:1409.1556, 2014.
• 5. N. Srivastava, G. Hinton, A. Krizhevsky, I. Sutskever, and R. Salakhutdinov, “Dropout: A simple way to prevent neural networks from overfitting,” The Journal of Machine Learning Research, vol. 15, no. 1, pp. 1929–1958, 2014.
• 6. K. He, X. Zhang, S. Ren, and J. Sun, “Deep residual learning for image recognition,” in Proceedings of the IEEE conference on computer vision and pattern recognition, 2016, pp. 770–778.
• 7. S. Ioffe and C. Szegedy, "Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift", arXiv:1502.03167, 2015
• 8. https://www.kaggle.com/c/dogs-vs-cats (czas dostępu: 05.2017)
• 9. A. Krizhevsky, I. Sutskever, and H. Geoffrey E., “ImageNet Classification with Deep Convolutional Neural Networks,” Advances in Neural Information Processing Systems 25 (NIPS2012), pp. 1–9, 2012.
• 10. A. Kwasigroch, B. Jarzembinski, and M. Grochowski, "Deep CNN based decision support system for detection and assessing the stage of diabetic retinopathy", in International Interdisciplinary PhD Workshop (IIPhDW), 2018, pp. 111–116.
• 11. A. Kwasigroch, A. Mikolajczyk, and M. Grochowski, ‘Deep neural networks approach to skin lesions classification — A comparative analysis’, in 2017 22nd International Conference on Methods and Models in Automation and Robotics (MMAR), Poland, 2017, pp. 1069–1074.

Uwagi

PL

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2019).