Регистрация / Вход
Прислать материал

Применение глубоких нейронных сетей в задаче отбраковки изображений, не содержащих интересующие классы объектов

Фамилия
Шутов
Имя
Иван
Отчество
Викторович
Номинация
Информационные технологии
Институт
Институт информационных технологий и автоматизированных систем управления (ИТАСУ)
Кафедра
Инженерной кибернетики
Академическая группа
МПИ-16-2-2
Научный руководитель
с.н.с Центра распределенных вычислений ИППИ РАН, к.т.н. Курочкин И.И.
Название тезиса
Применение глубоких нейронных сетей в задаче отбраковки изображений, не содержащих интересующие классы объектов
Тезис

Обучение нейронных сетей (НС), состоящих из большого количества слоев связано с рядом трудностей, и осуществляется при помощи набора специальных методов, называемых глубоким обучением, а такие сети называются глубокими. Их отличает использование специальных активационных функций, обходных соединений и т.д.

Была поставлена задача исследовать методы применения НС для отбраковки изображений без интересующих объектов, а именно для классификации множества изображений при наличии класса, объединяющего изображения, не содержащие интересующие объекты – «мусор». Размер данного класса может многократно превосходить размеры классов с интересующими объектами.

Был осуществлен ряд экспериментов с использованием сети Densenet[1] из 20 слоев и модифицированными множествами изображений CIFAR-10 и CIFAR-100. Множества включают в себя цветные изображения размера 32x32, принадлежащие к 10 и 100 классам соответственно.

CIFAR-10 включает следующие классы объектов: самолеты, легковые автомобили, птицы, кошки, лоси, собаки, лягушки, лошади, корабли, грузовые автомобили.

CIFAR-10 был изменен путем объединения последних 7 классов в один класс с «мусором». В результате было получено множество изображений, состоящее из 4 классов.

Из CIFAR-100 удалялись классы с автомобилями, и оставшиеся изображения объединялись в класс «мусор».

Для обучения НС была использована библиотека Caffe. Сеть обучалась на обучающем подмножестве CIFAR-10 при помощи алгоритма Nesterov Momentum на протяжении 55 000 итераций.

Оценка качества классификации:

Множество

Точность

Ложно положительные

срабатывания

Ложно отрицательные

срабатывания

Кол-во изображений с «мусором»

Кол-во изображений с объектами

CIFAR-10

89.98%

503

377

7000

3000

CIFAR-100 test

70,72%

2635

0

9000

0

CIFAR-100 train

70,7%

13188

0

45000

0

 

Проведенные эксперименты показывают, что на множествах содержащих классы объектов, которые не участвовали в обучении, сеть показывает существенно большую ошибку.

На следующих этапах будет исследовано применение техники бустинга, а именно добавление части ошибочно классифицированных примеров в обучающую выборку. Так же планируется изучить поведение сетей других архитектур.

  1. G. Huang, Z. Liu, and K. Q. Weinberger. Densely connected convolutional networks. arXiv preprint arXiv:1608.06993, 2016