Učení konvolučních neuronových sítí na obrazových datech s využitím explicitní lokalizace příznaků

Abstract

Diplomová práce se zaměřuje na návrh, implementaci a ověření metod využívajících explicitní lokalizaci příznaků pro efektivní učení konvolučních sítí na obrazových datech s omezeným počtem vzorků. Cílem je navrhnout metody, které regularizují model během trénování prostřednictvím výstupů poslední konvoluční vrstvy. Práce představuje metodu, která využívá výstupy komplexních sítí k trénování menších modelů, s důrazem na analýzu map aktivací této vrstvy. Současně jsou zkoumány metody využívající manuální anotaci příznaků ve formě binárních masek a heatmap ke zvýšení přesnosti klasifikace a rozpoznávání vzorů. Navržené metody jsou hodnoceny z hlediska rychlosti učení, složitosti modelu a klasifikační úspěšnosti v podmínkách malých datasetů.

This thesis focuses on the design, implementation, and validation of methods leveraging explicit feature localization for efficient training of convolutional networks on image datasets with a limited number of samples. The goal is to propose methods that regularize the model during training using outputs from the final convolutional layer. The work presents a method that uses outputs from complex networks to train smaller models, with an emphasis on analyzing activation maps of this layer. Additionally, methods utilizing manual feature annotation in the form of binary masks and heatmaps are explored to improve classification accuracy and pattern recognition. The proposed methods are evaluated in terms of training speed, model complexity, and classification success in the context of small datasets.