Optikavaba kujutiste klassifikatsioon sügava meetrilise õppimisega
Nimi
Prakhar Srivastava
Kokkuvõte
Objektiiv on määratletud kui seade, mis kontrollib valguse jõudmist kujutise pinnale ja on pildistamise põhikomponent. Pildindusrakendusi on kõikjal, alates autonoomsest sõidust kuni biomeditsiiniliste rakendusteni. Tänu pilditehnoloogia edusammudele ajendavad uued rakendused sellistes valdkondades nagu biomeditsiin ja kaitse olulisel määral kaamerate miniaturiseerimise suunas. Kahjuks on sellel miniaturiseerimisel põhiline raskus: sensori kujutisele kogutud valguse koguhulk väheneb koos objektiivi avaga. Selle tulemusena on üliminiatuursed pildid, mis on kogutud lihtsalt optika ja andurite vähendamisega, mürarikkad. Seega võetakse kasutusele uuenduslik kontseptsioon, mille puhul objektiiv eemaldatakse; ilma objektiivita saadud kujutised on aga halvenenud. Selle probleemi lahendamiseks kasutatakse kujutise taastamiseks alternatiivset kodeerimisskeemi ja arvutusalgoritme, mida me nimetame optikavabaks pildistamiseks.
See lõputöö pakub välja uudse lähenemisviisi Deep Metric Learning kasutamiseks optikavaba kujutiste klassifitseerimiseks. Meie sügav konvolutsiooniline närvivõrk kasutab oma õppimisalgoritmide jaoks pildi sarnasuse mõõdikut. Selles lõputöös koolitasime esiteks oma mudelit andmestikuga, mis koosnes laboris tehtud halvenenud Cifar10 piltidest ja originaalsest Cifar10 andmekogumist piltide klassifitseerimiseks. Järgmises ülesandes treenime oma mudelit optikavabade (rekonstrueerivate) Cifar10 piltide jaoks, mis on saadud halvenenud Cifar10 piltidest, kasutades CycleGAN-i, koos originaalsete Cifar10 piltidega piltide klassifitseerimiseks. Lõpuks kasutasime õppimise värskendamiseks Bayesian Priorit ja arvutasime KL-i erinevuse.
See lõputöö pakub välja uudse lähenemisviisi Deep Metric Learning kasutamiseks optikavaba kujutiste klassifitseerimiseks. Meie sügav konvolutsiooniline närvivõrk kasutab oma õppimisalgoritmide jaoks pildi sarnasuse mõõdikut. Selles lõputöös koolitasime esiteks oma mudelit andmestikuga, mis koosnes laboris tehtud halvenenud Cifar10 piltidest ja originaalsest Cifar10 andmekogumist piltide klassifitseerimiseks. Järgmises ülesandes treenime oma mudelit optikavabade (rekonstrueerivate) Cifar10 piltide jaoks, mis on saadud halvenenud Cifar10 piltidest, kasutades CycleGAN-i, koos originaalsete Cifar10 piltidega piltide klassifitseerimiseks. Lõpuks kasutasime õppimise värskendamiseks Bayesian Priorit ja arvutasime KL-i erinevuse.
Lõputöö keel
inglise
Lõputöö tüüp
Magister - Informaatika
Juhendaja(d)
Kallol Roy
Kaitsmise aasta
2023