ТЕХНІКИ НАВЧАННЯ НА МАЛОМУ НАБОРІ ДАНИХ ДЛЯ ЗАДАЧ СЕГМЕНТАЦІЇ

Mykola Baranov, Yurii Shcherbyna

Анотація


За останнiх кiлька рокiв значного успiху було досягнено у сферi глибокого навчання нейронних мереж для широкого спектру задач комп’ютерного бачення завдяки наявностi масштабних наборiв даних, анотованих людиною (PASCAL VOC, ImageNet, COCO тощо). Хоча цi набори даних охопили широкий спектр категорiй об’єктiв, iснує все ще значна кiлькiсть об’єктiв, якi не входять в такi множини. У данiй роботi розглянуто технологiї побудови нейронних мереж для завдання сегментацiї зображень з використанням малої кiлькостi проанотованих даних; побудовано архiтектру згорткової нейронної мережi з використанням фреймворку Tensorflow 2 та натреновано на наборi даних FSS-1000.

Повний текст:

PDF

Посилання


Bingyi K. Few-shot object detection via feature reweighting / K. Bingyi, L. Zhuang, W. Xin., Y. Fisher, F. Jiashi, D. Trevor // Proceedings of the IEEE International Conference on Computer Vision. 2019. C. 84208429. 7. Feiyang Chen Assessing four neural networks on handwritten digit recognition dataset (MNIST) / Chen Feiyang, Chen Nan, Mao Hanyang, Hu Hanlin // arXiv preprint arXiv: 1811.08278. 2018. 8. Everingham M. The Pascal Visual Object Classes (VOC) Challenge / M. Gool Luc Van Everingham, Christopher K. I.Williams, J. Zisserman A.Winn // International Journal of Computer Vision. Springer Verlag. 2009. P. 303308. 9. Fabricio B. Interactive image segmentation using label propagation through complex networks / B. Fabricio // Expert Systems With Applications. Elsevier. 2019. P. 1833. 10. Finn Chelsea Model-agnostic meta-learning for fast adaptation of deep networks / Chelsea Finn, Pieter Abbeel, Sergey Levine // arXiv preprint arXiv: 1703.03400. 2017.




DOI: http://dx.doi.org/10.30970/vam.2020.28.10975

Посилання

  • Поки немає зовнішніх посилань.