Повнотекстовий пошук
Пошуковий запит: (<.>A=Chaikovskyi O$<.>) |
Загальна кількість знайдених документів : 1
|
1. |
Chaikovskyi O. Data augmentation method using generative adversarial networks [Електронний ресурс] / O. Chaikovskyi, A. Volokyta, A. Kyrianov, H. Loutskii // Технічні науки та технології. - 2021. - № 2. - С. 83-91. - Режим доступу: http://nbuv.gov.ua/UJRN/tnt_2021_2_13 Велика кількість різноманітних даних є основою для побудови надійної моделі машинного навчання, адже це допомагає точніше узагальнити інформацію про поставлену задачу. Водночас існують галузі, де збір даних або неможливий, або потребує величезної кількості ресурсів. Наприклад, у медичній галузі дані пацієнтів захищені законами про конфіденційність та приватність інформації, через які їх пошук, зберігання та використання викликає великі проблеми. Сучасні системи машинного навчання вирішують цю проблему методами генерації синтетичних даних. Розглянуто розробку методу аугментації даних на базі генеративних змагальних мереж. Важливим етапом побудови точної моделі машинного навчання є пошук та анотація даних, які будуть використовуватися для навчання та тестування точності роботи нейронної мережі. Від кількості зібраних даних залежить точність та стабільність роботи мережі в реальних умовах. Запропоновано метод для підвищення точності класифікації зображень згортковими нейронними мережами на базі аугментації даних із використанням генеративних змагальних мереж. Нині добре описано та проаналізовано такі методи аугментації зображень, як поворот на деякий випадковий кут, стиснення та розтягнення по вертикалі йгоризонталі, зміщення, дзеркальне відображення. Також наявні роботи, що розглядають внесення реалістичної деформації в зображення та генерації нових векторів ознак на базі декількох сусідніх зразків. Нерозглянутими на даний момент залишаються можливості використання генеративних змагальних мереж узадачі аугментації даних. Описано метод аугментації зображень із використанням генеративних змагальних мереж для підвищення точності роботи згорткових нейронних мереж, проведено порівняльний аналіз запропонованого методу з класичними методами аугментації зображень. Виділено основні переваги та недоліки запропонованого методу аугментації даних, висунуто плани щодо подальших досліджень.
|
|
|