Полное описание

Андриянов, Никита Андреевич. Сравнение методов Automl и Ml с учителем для решения задач распознавания изображений = Comparison of supervised Automl and supervised Ml methods for solving image recognition problems / Н. А. Андриянов, Ю. Б. Камалова, Г. В. Моисеев. - DOI 10.18127/j19998554-202205-02. - Текст : непосредственный // Нейрокомпьютеры: разработка, применение = Neurocomputers : международный научно-технический журнал. - 2022. - Том 24, N 5. - С. 19-27. - Библиогр. в конце ст. - ISSN 1999-8554.

ГРНТИ	УДК
28.23.25	004.85
28.23.15	004.93

Рубрики:
Машинное обучение
Распознавание образов

Кл.слова (ненормированные): рентгеновские снимки -- компьютерное зрение -- распознавание образов -- автоматическое машинное обучение -- vgg -- custom vision
Аннотация: На сегодняшний день существует множество облачных решений для задач машинного и даже глубокого обучения. Однако не всегда ясно, насколько корректна та или иная модель, реализуемая на базе таких решений. Необходимо проверить работу облачного сервиса на разных изображениях, чтобы понимать, насколько хорошо такая система распознает образы. Цель статьи - исследовать эффективность работы облачного сервиса Microsoft Custom Vision и сравнить результаты исследования с данными, полученными с помощью стандартных библиотек глубокого обучения Python. Проведен сравнительный анализ использования сервисов для автоматического машинного обучения с разработкой базовых моделей сверточных нейронных сетей в среде Python в задаче распознавания образов. Показано, что стандартные методы трансферного обучения без подбора параметров уступают решениям, доступным в облаке, таким как Microsoft Custom Vision. Выполнено сравнение различных моделей нейронных сетей на примере изображений зерен пыльцы и рентгеновских снимках багажа. Установлено, что добиться максимальной точности на тестовой выборке позволяют алгоритмы AutoML, а метрики precision и recall при этом достигают значений на 2-3% выше, чем при классическом обучении. Выявлена особенно сильная разница при обучении на несбалансированных датасетах, где выигрыш по средней точности и полноте может быть до 10-15%. Проведенное исследование показало, что облачные системы обеспечивают высокие результаты на данных микроскопических и рентгеновских изображений. Кроме того, они не требуют от пользователя знаний языка программирования и позволяют разрабатывать интеллектуальные решения для классификации изображений большему числу пользователей.
Доп. точки доступа:
Камалова, Юлия Борисовна
Моисеев, Георгий Викторович


Нет сведений об экземплярах
Держатели документа:
Государственная публичная научно-техническая библиотека России : 123298, г. Москва, ул. 3-я Хорошевская, д. 17 (Шифр в БД-источнике (KATBW): -760684-126112)

Шифр в сводном ЭК: c88043261fce5cfc85cf128f527464bd

Заказать
Заказ фрагмента документа ₽