Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: synthetic data

Sortuj według:

Ogranicz wyniki do:

Blender jako narzędzie do generacji danych syntetycznych

Sieczka Rafał, Pańczyk Maciej

Journal of Computer Sciences Institute

2020

Vol. 16

227--232

Acquiring data for neural network training is an expensive and labour-intensive task, especially when such data is difficult to access. This article proposes the use of 3D Blender graphics software as a tool to automatically generate synthetic image data on the example of price labels. Using the fastai library, price label classifiers were trained on a set of synthetic data, which were compared with classifiers trained on a real data set. The comparison of the results showed that it is possible to use Blender to generate synthetic data. This allows for a significant acceleration of the data acquisition process and consequently, the learning process of neural networks.

Pozyskiwanie danych do treningu sieci neuronowych, jest kosztownym i pracochłonnym zadaniem, szczególnie kiedy takie dane są trudno dostępne. W niniejszym artykule zostało zaproponowane użycie programu do grafiki 3D Blender, jako narzędzia do automatycznej generacji danych syntetycznych zdjęć, na przykładzie etykiet cenowych. Przy użyciu biblioteki fastai, zostały wytrenowane klasyfikatory etykiet cenowych, na zbiorze danych syntetycznych, które porównano z klasyfikatorami trenowanymi na zbiorze danych rzeczywistych. Porównanie wyników wykazało, że możliwe jest użycie programu Blender do generacji danych syntetycznych. Pozwala to w znaczącym stopniu przyśpieszyć proces pozyskiwania danych, a co za tym idzie proces uczenia sieci neuronowych.

Computationally effective algorithm to the epsilon -insensitive fuzzy clustering

Łęski J.

Systems Science

2002

Vol. 28, nr 3

31-50

The fuzzy c-means method is one of the most popular clustering methods based on minimization of a criterion function. However, one of the greatest disadvantages of this method is its sensitivity to the presence of noise and outliers in data. The epsilon -insensitive Fuzzy C-Means ( epsilon FCM) clustering algorithm is free of this disadvantage, but has a very high computational burden and requires a choice of the insensitivity parameter(s) epsilon In this paper, a new computationally effective epsilon -insensitive fuzzy c-means clustering algorithm with automatic adjustment of the insensitivity parameter(s) is introduced. Performance of the new clustering algorithm is experimentally verified using synthetic data with outliers and overlapped groups of heavy-tailed data.