Методи та засоби розпізнавання змін властивостей об'єкта за зображенням на основі штучних нейронних мереж
Електронного архіву Харківського національного університету радіоелектроніки (Open Access Repository of KHNURE)
Переглянути архів Інформація| Поле | Співвідношення | |
| Title |
Методи та засоби розпізнавання змін властивостей об'єкта за зображенням на основі штучних нейронних мереж
|
|
| Creator |
Новосельцев, І. В.
|
|
| Subject |
зображення
класифікація критерій втрат активаційна функція навчання мережі робастність згорткова нейронна мережа image classification loss criterion activation function network learning robustness convolutional neural network |
|
| Description |
У дисертаційній роботі на основі отриманих теоретичних і експериментальних досліджень вирішена актуальна науково-практична задача побудови нейромережевих методів розпізнавання і класифікації зміни властивостей зображень, які на відміну від існуючих, зменшують помилку розпізнавання і збільшують точність класифікації зображень в умовах апріорної і поточної невизначеності і наявності завад. У дисертаційній роботі вперше розроблено метод контролю зміни розмірів об’єкта за допомогою еталона з використанням властивостей перетворення подібності об’єктів, що дозволяє підвищити точність вимірювань. З метою підвищення робастності оцінок параметрів БШП, розроблено процедуру навчання БШП, що являє собою матричні варіанти процедури Качмажа (Уідроу-Гоффа), запропонована її модифікація, яка містить зону нечутливості, і розглянуті процедури налаштування цієї зони. Отримав подальший розвиток нейромережевий метод класифікації зображень на основі згортальних нейронних мереж з використанням в різних шарах різних функцій активації і робастного навчання параметрів мережі. Отримав подальший розвиток нейромережевий метод розпізнавання зміни параметрів зображень на прикладі меланоми з використанням мереж PNN і CNN, на основі яких розроблені нейромережевий метод контролю зміни розмірів шкірного утворення і розпізнавання неоднорідності забарвлення шкірних змін. Програмно реалізована нейромережева система визначення неоднорідності забарвлення, яка складається з ансамблю PNN і CNN, що дозволяє підвищити точність діагностування, зменшити час навчання, знизити ризик надмірної навчання та полегшує лікареві постановку діагнозу.The actual scientific and practical problem of developing neural network methods for the recognition and classification of changes of the image properties based on the received theoretical and experimental researches is solved. In contrast to the existing methods, they allow reducing the recognition error and increasing the accuracy of the image classification in the conditions of a priori and current uncertainty and the presence of interference. A new method for controlling the change of an object size using a reference with the introduction of the properties of the transformation of object similarity is developed, which allows increasing the accuracy of measurements. In order to increase the robustness of BP parameters estimates, a training procedure for BP is developed, it is a matrix version of the Kaczmarz's procedure (Widrow-Hoff), its proposed modification contains a zone of insensitivity; the procedures for adjusting this zone are considered. The training methods of ANNs based on minimization of quadratic functionals are not stable, if there are emissions in the measurements or the distributions have distributions other than Gaussian ones. Alternatively, to ensure robustness, the target function is modified in such a way as to limit the influence of the largest measurements. The most common combined Huber and Hempel functionals, consisting of a quadratic, providing optimal estimates for the Gaussian distribution, and modular one, allowing to obtain a more robust distribution with heavy tails (outliers), are considered. The neural network image classification method, based on convolutional neural networks, has been further developed using various activation functions and robust learning of network parameters in different layers. The questions of training of the CNN are considered, which is similar to the training of INS of direct distribution and consists in correction of its weight parameters on the basis of minimization of some of the above considered loss function. The gradient procedure for training the output (full-band) network layer is described, with the choice of the cross-entropy loss function as a function of it. The study of the CNN based on a stochastic gradient is considered. The disadvantages of this method (stuck in local minima, slow convergence due to the complex landscape of the target function, the possibility of retraining, etc.), as well as the computational complexity of second-order methods led to the development of methods based on the stochastic gradient method and having a whole a number of advantages and uses the idea of accumulation (NAG, Adagrad, RMSProp, Adadelta, Adam, Adamax, Nadam). Features of implementation of these methods are noted. The procedures for the training full-convex and convolutional layers are used by gradient algorithms for minimizing the quality functionals representing either a quadratic function or a cross-entropy function that are optimal for the Gaussian distribution and will be unstable in the presence of disturbances of measurements whose distributions are different from the normal one. In connection with this, it is proposed to use the robust approach to study the CNN layers and to obtain robust training procedures based on the generalized delta rule. The neural network method for recognizing the change of image parameters on the example of melanoma using the PNN and CNN networks has received further development on the basis of which a neural network method for controlling the change in the size of each formation and recognition of the heterogeneity of the color of skin changes has been developed. Simulation of neural network methods for recognition of changes in image parameters using the example of melanoma has been carried out. The softwareimplemented neural network system for determining the heterogeneity of color consists of the PNN and CNN ensemble, which allows increasing the diagnosis accuracy, reducing learning time and risk of over- training. |
|
| Date |
2019-07-15T09:04:21Z
2019-07-15T09:04:21Z 2019 |
|
| Type |
Other
|
|
| Identifier |
Новосельцев, І. В. Методи та засоби розпізнавання змін властивостей об'єкта за зображенням на основі штучних нейронних мереж : автореф. дис. ... канд. техн. наук : 05.13.23 "Системи та засоби штучного інтелекту" / І. В. Новосельцев ; М-во освіти і науки України, Харків. нац. ун-т радіоелектроніки. – Харків, 2019. – 22 с.
http://openarchive.nure.ua/handle/document/9586 |
|
| Language |
uk
|
|
| Publisher |
ХНУРЕ
|
|