інтернет-адреса сторінки: http://jnas.nbuv.gov.ua/article/UJRN-0001284184
Кібернетика та системний аналіз   А - 2019 /  Випуск (2021, Т. 57, № 6)
Русин Б. П., Луцик О. А., Косаревич Р. Я.
Оцінювання інформативності навчальної вибірки для класифікації зображень методами глибокого навчання Запропоновано новий підхід до оцінювання інформативності навчальної вибірки під час розпізнавання зображень, отриманих засобами дистанційного зондування. Показано, що якість навчальної вибірки можна відобразити набором характеристик, кожна з яких описує певні властивості даних. Встановлено залежність між характеристиками навчальної вибірки та точністю роботи класифікатора, тренованого на основі цієї вибірки. Розроблений підхід застосовано до різних тестових навчальних вибірок і наведено результати їхнього оцінювання. Показано, що оцінювання навчальної вибірки з використанням нового підходу здійснюється значно швидше, ніж процес навчання нейронної мережі. Це надає змогу застосовувати запропонований підхід до попереднього оцінювання навчальної вибірки в задачах розпізнавання зображень методами глибокого навчання.
 https://doi.org/10.1007/s10559-021-00411-4
 Scopus
Бібліографічний опис:
Русин Б. П., Луцик О. А., Косаревич Р. Я. Оцінювання інформативності навчальної вибірки для класифікації зображень методами глибокого навчання. Кібернетика та системний аналіз. 2021. Т. 57, № 6. С. 13–24. doi: https://doi.org/10.1007/s10559-021-00411-4 URL: http://jnas.nbuv.gov.ua/article/UJRN-0001284184 |
 Cybernetics and Systems Analysis / Issue (2021, 57 (6))
Rusyn B.P.,
Lutsyk O.A.,
Kosarevych R.Y.
Evaluating the informativity of training sample for classification of images by deep learning methods A new approach to evaluating the informativity of a training sample when recognizing images obtained by means of remote sensing is proposed. It is shown that the informativity of a training sample can be represented by a set of characteristics, where each of them describes certain data properties. A dependence between the training sample characteristics and the accuracy of the classifier trained on the basis of this sample is established. The proposed approach is applied to various test training samples and their evaluation results are presented. When evaluating the training sample using the new approach, the process is shown to be much faster than that of training a neural network. This allows us to use the proposed approach for the preliminary estimation of a training sample in the problems of image recognition by deep learning methods. © 2021, Springer Science+Business Media, LLC, part of Springer Nature. Keywords: convolutional neural network, deep learning, feature selection, training sample, Convolutional neural networks, Deep learning, Image classification, Image recognition, Remote sensing, Convolutional neural network, Data properties, Deep learning, Evaluation results, Features selection, Images classification, Learning methods, New approaches, Remote-sensing, Training sample, Sampling
Cite:
Rusyn B.P.,
Lutsyk O.A.,
Kosarevych R.Y.
(2021). Evaluating the informativity of training sample for classification of images by deep learning methods. Cybernetics and Systems Analysis, 57 (6), 13–24. doi: https://doi.org/10.1007/s10559-021-00411-4 http://jnas.nbuv.gov.ua/article/UJRN-0001284184 [In Ukrainian]. |
PDF