Transformácie, ktoré dokážu zmiasť neurónové siete, ale nie človeka, by mohli prispieť k skvalitneniu neurónových sietí. Odhalením transformácií, ktoré zmätú neurónové siete, ale nie človeka, môžeme tieto transformácie zaradiť medzi tréningové dáta, čím by sme natrénovali neurónovú sieť na rozpoznávanie okrem klasických obrázkov aj transformované obrázky. Je šanca, že by to mierne zvýšilo aj úspešnosť na obrázkoch bez transformácií. Opíšem základy umelej inteligencie a neurónových sietí a predstavím architektúry použitých modelov neurónových sietí. Pomocou dvoch experimentov budem skúmať vplyv transformácií na klasifikáciu obrazu u ľudí aj u neurónových sietí.
Anotace v angličtině
Transformations that can confuse neural networks, but not humans, could be used to improve neural networks. By finding transformations that confuse neural networks, but not humans, we can include these transformations as training data. This train neural networks for recognition of transformed images in addition to classic images. There is a chance that this would also slightly increase the success rate in the images without transformations. I will describe the basics of artificial intelligence and neural networks and present the architectures of the models of neural networks used. Using two experiments, I will investigate the impact of transformations on image classification in both humans and neural networks.
Transformácie, ktoré dokážu zmiasť neurónové siete, ale nie človeka, by mohli prispieť k skvalitneniu neurónových sietí. Odhalením transformácií, ktoré zmätú neurónové siete, ale nie človeka, môžeme tieto transformácie zaradiť medzi tréningové dáta, čím by sme natrénovali neurónovú sieť na rozpoznávanie okrem klasických obrázkov aj transformované obrázky. Je šanca, že by to mierne zvýšilo aj úspešnosť na obrázkoch bez transformácií. Opíšem základy umelej inteligencie a neurónových sietí a predstavím architektúry použitých modelov neurónových sietí. Pomocou dvoch experimentov budem skúmať vplyv transformácií na klasifikáciu obrazu u ľudí aj u neurónových sietí.
Anotace v angličtině
Transformations that can confuse neural networks, but not humans, could be used to improve neural networks. By finding transformations that confuse neural networks, but not humans, we can include these transformations as training data. This train neural networks for recognition of transformed images in addition to classic images. There is a chance that this would also slightly increase the success rate in the images without transformations. I will describe the basics of artificial intelligence and neural networks and present the architectures of the models of neural networks used. Using two experiments, I will investigate the impact of transformations on image classification in both humans and neural networks.
Cílem práce je navrhnout a provést sadu experimentů, které umožní srovnání schopností člověka a základních předtrénovaných modelů konvolučních neuronových sítí (AlexNet, ResNet a jiné) v doméně klasifikace obrazu. Student vybere základní sadu modelů a ty v textu práce popíše. Předtrénované váhy a implementace vybraných modelů budou převzaty z knihoven pro strojové učení PyTorch/TensorFlow. Následně student navrhne jednotlivé experimenty, vytvoří sadu modifikovaných testovacích obrázků a provede srovnání s lidskými respondenty. Závěrem student zhodnotí výsledky jednotlivých předtrénovaných modelů vůči lidským respondentům.
Zásady pro vypracování
Cílem práce je navrhnout a provést sadu experimentů, které umožní srovnání schopností člověka a základních předtrénovaných modelů konvolučních neuronových sítí (AlexNet, ResNet a jiné) v doméně klasifikace obrazu. Student vybere základní sadu modelů a ty v textu práce popíše. Předtrénované váhy a implementace vybraných modelů budou převzaty z knihoven pro strojové učení PyTorch/TensorFlow. Následně student navrhne jednotlivé experimenty, vytvoří sadu modifikovaných testovacích obrázků a provede srovnání s lidskými respondenty. Závěrem student zhodnotí výsledky jednotlivých předtrénovaných modelů vůči lidským respondentům.
Seznam doporučené literatury
Stevens, E., Antiga, L., & Viehmann, T. (2020). Deep learning with PyTorch. Manning Publications Company. Vemuri, V. K. (2020). The Hundred-Page Machine Learning Book Ketkar, N., & Santana, E. (2017). Deep learning with python (Vol. 1). Berkeley, CA: Apress.
Seznam doporučené literatury
Stevens, E., Antiga, L., & Viehmann, T. (2020). Deep learning with PyTorch. Manning Publications Company. Vemuri, V. K. (2020). The Hundred-Page Machine Learning Book Ketkar, N., & Santana, E. (2017). Deep learning with python (Vol. 1). Berkeley, CA: Apress.
Přílohy volně vložené
1 DVD.
Přílohy vázané v práci
ilustrace, tabulky
Převzato z knihovny
Ne
Plný text práce
Přílohy
Posudek(y) oponenta
Hodnocení vedoucího
Záznam průběhu obhajoby
Student nejprve komisi seznámil s cílem své bakalářské práce, představil použitý dataset a transformace, které na obrázky použil. Dále představil použité technologie a seznámil komisi s metodami, které použil při vyhodnocování, a také konečnými výsledky. Po přečtení posudků a diskusi se komise shodla na hodnocení A.