Baza Publikacji Pracowników Politechniki Lubelskiej

Status:
Warianty tytułu:	Porównanie metod klasycznego i głębokiego uczenia maszynowego w klasyfikacji obrazów
Autorzy:	Dovbnych Maryna, Plechawska-Wójcik Małgorzata
Dyscypliny:
	Aby zobaczyć szczegóły należy się zalogować.
Rok wydania:	2021
Wersja dokumentu:	Drukowana \| Elektroniczna
Język:	angielski
Wolumen/Tom:	21
Strony:	303 - 308
Bazy:	Baztech
Efekt badań statutowych	NIE
Materiał konferencyjny:	NIE
Publikacja OA:	TAK
Licencja:
Sposób udostępnienia:	Witryna wydawcy
Wersja tekstu:	Ostateczna wersja opublikowana
Czas opublikowania:	W momencie opublikowania
Data opublikowania w OA:	30 grudnia 2021
Abstrakty:	angielski \| polski
	The aim of the research is to compare traditional and deep learning methods in image classification tasks. The conduc t- ed research experiment covers the analysis of five different models o f neural networks: two models of multi – layer pe r- ceptron architecture: MLP with two hidden layers, MLP with three hidden layers; and three models of convolutional architecture: the three VGG blocks model, AlexNet and GoogLeNet. The models were tested on two different datasets: CIFAR – 10 and MNIST and have been applied to the task of image classification. They were test ed for classification performance, training speed, and the effect of the complexity of the d ataset on the training outcome.
	Celem badań jest porównanie metod klasycznego i głębokiego uczenia w zadaniach klasyfikacji obrazów. Przeprowadzony eksperyment badawczy obejmuje analizę pięciu różnych modeli sieci neuron owych: dwóch modeli wielowarstwowej architektury perceptronowej: MLP z dwiema warstwami ukrytymi, MLP z trzema warstwami ukrytymi; oraz trzy modele architektury konwolucyjnej: model z trzema VGG blokami, Ale xNet i GoogLeNet. Modele przetrenowano na dwóch różnych zbiorach danych: CIFAR – 10 i MNIST i zastosowano w zadaniu klasyfikacji obrazów. Zostały one zbadane pod kątem wydajności klasyfikacji, szybkości trenowania i wpływ u złożoności zbioru danych na wynik trenowania.

Informacja o cookies

A comparison of conventional and deep learning methods of image classification

Artykuł w czasopiśmie