Využití techniky transfer learning pro klasifikaci obrazu umělou neuronovou sítí

The thesis introduces the concept of transferred learning in the context of artificial intelligence, artificial neural networks and computer vision, where a binary and multi-class classification is built based on classical isolated approach to neural network training, followed by the application of the concept of transferred learning. The results of the implemented classifiers are evaluated and conclusions about the success of the models are drawn. The realization itself is based on a high-level library for the creation and learning of artificial neural networks keras and on the pre-trained VGG16 model, which serves as a background network for models on which the transferred learning technique has been applied. The results demonstrate the potential of using the transferred learning technique, where the models have surpassed the skills of models traditionally approached in all categories from time spent training to the accuracy or precision of the model, even when using a poor quality dataset such as one of the selected datasets Caltech 101 that contains 8 677 unevenly distributed images in 101 categories and is a challenge for creating a good model. During the creation of the work, knowledge of how or in what direction to apply the concept of transferred learning to obtain the best possible results was obtained.

Práce představuje koncept přeneseného učení v kontext umělé inteligence, umělých neuronových sítí a počítačového vidění, kdy je realizována binární a vícetřídní klasifikace postavena na klasickém izolovaném přístupu k trénování neuronových sítí, následována aplikací konceptu přeneseného učení. Výsledky realizovaných klasifikátorů jsou evaluované a zároveň jsou vyvozeny závěry o úspěšnosti vzniklých modelů. Samotná realizace je postavena na vysokoúrovňové knihovně na tvorbu a učení umělých neuronových sítí Keras a na předtrénovaném modely VGG16, který slouží jako podkladová síť pro modely na kterých byla aplikována technika přeneseného učení. Dosažené výsledky demonstrují potenciál ve využití techniky přeneseného učení, kdy vzniklé modely dokázali předčit schopnosti modelů trénovaných tradičním přístupem ve všech kategoriích od času stráveného trénováním až po přesnost či správnost modelu i v případě použití nekvalitního datasetu, jakým byl jeden ze zvolených datasetů Caltech 101, který obsahuje 8 677 nerovnoměrně rozdělených obrázků v 101 kategoriích a je tak výzvou pro tvorbu dobrého modelu. Při tvorbě práce byla získána znalost o tom jakým způsobem, případně jakým směrem se vydat při aplikování konceptu přeneseného učení pro získání co nejlepších možných výsledků.