СТРАТЕГІЇ ВИЗНАЧЕННЯ ОПТИМАЛЬНОЇ КІЛЬКОСТІ ВХІДНИХ ДАНИХ ДЛЯ РОЗПІЗНАВАННЯ ОБ’ЄКТІВ НА СУПУТНИКОВИХ ЗОБРАЖЕННЯХ
DOI:
https://doi.org/10.34185/1991-7848.itmm.2023.01.087Ключові слова:
нейронна мережа, розпізнавання зображень, супутникові знімки, обробка даних, доповнення даних, штучний інтелект.Анотація
Розпізнавання супутникових зображень є життєво важливим застосуванням комп’ютерного зору з численними потенційними варіантами використання в таких сферах, як боротьба зі стихійними лихами, землекористування та міське планування. Це дослідження спрямоване на визначення оптимальної кількості вхідних даних, необхідних для навчання нейронної мережі для розпізнавання супутникових зображень. З цією метою проводиться серія суворих експериментів, щоб дослідити вплив кількості вхідних даних на кілька показників продуктивності, включаючи точність, конвергенцію та узагальнення моделі. Висновки показують, що збільшення кількості вхідних даних загалом покращує продуктивність моделі до точки насичення, після якої подальше збільшення не призводить до значних покращень і навіть може призвести до переобладнання. Дослідження пропонує кілька стратегій для визначення цієї точки насичення та пом’якшення наслідків переобладнання. Результати, отримані в результаті цього дослідження, можуть допомогти в розробці більш ефективних моделей розпізнавання супутникових зображень.
Посилання
Cubuk, Ekin D. and Zoph, Barret and Mane, Dandelion and Vasudevan, Vijay and Le, Quoc V. AutoAugment: Learning Augmentation Strategies From Data. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2019,
pp. 113-123.
Xie, Qizhe and Dai, Zihang and Hovy, Eduard and Luong, Thang and Le, Quoc. Unsupervised Data Augmentation for Consistency Training. Advances in Neural Information Processing Systems, 2020, pp. 6256-6268.
Tim Salimans, Ian Goodfellow, Wojciech Zaremba, Vicki Cheung, Alec Radford, and Xi Chen. Improved techniques for training gans. In Advances in neural information processing systems, pages 2234–2242, 2016.
