Главная страница
Навигация по странице:

  • 7000 пикселей в высоту, размером около 200 мегабайт каждый.

  • Каждый образец изображения является 4-х канальным и имеет размер 28x28 пикселей.

  • После создания обучающий и тестовый наборы данных были рандомизированы с использованием генератора псевдослучайных чисел.

  • Формат данных: csv-файлы. Количество векторов: 400000 обучающих, 100000 тестовых Количество атрибутов: 28*28(размер)*4(каналы) = 3136 Тип данных: integer (0...255)

  • Возможные архитектуры нейросетей, для решения данной задачи: Перцептрон Свёрточные нейронные сети

  • Прост для реализации. Вычислительно эффективен. Маленькие требования к памяти. Хорошо подходит для задач, которые являются большими с точки зрения данных и / или параметров.

  • Гиперпараметры имеют интуитивно понятную интерпретацию и обычно требуют небольшой настройки.

  • Также стоит заметить, что для использования кросс- энтропии в качестве критерия качества, необходимо использовать функцию активации softmax для выходного слоя нейронов.

  • Один из вариантов нормализации входных

  • Ожидается, что после обучения, нейросеть сможет определять к какому классу относится местность на снимке: бесплодная земля, деревья, луга и другая.

  • Матрица ошибок: Accuracy (Доля правильных ответов) Precision (Точность - Доля правильных ответов модели в пределах класса)

  • Вычисление времени затрачиваемого на обучение и времени прогнозирования.

    		•

    АнализDeepSat(SAT-4)AirborneDataset. Анализ DeepSat (SAT-4) Airborne Dataset. DeepSat (sat4) Airborne Dataset Общая информация


    Скачать 1.82 Mb.
    НазваниеDeepSat (sat4) Airborne Dataset Общая информация
    АнкорАнализDeepSat(SAT-4)AirborneDataset
    Дата23.03.2023
    Размер1.82 Mb.
    Формат файлаpptx
    Имя файлаАнализ DeepSat (SAT-4) Airborne Dataset .pptx
    ТипДокументы
    #1010213

    DeepSat (SAT-4) Airborne Dataset

    Общая информация


    Датасет состоит из изображений, которые были извлечены из набора данных Национальной программы создания изображений сельского хозяйства (NAIP), и представляющих собой изображения 6000 пикселей в ширину и

    7000 пикселей в высоту, размером около 200 мегабайт каждый.

    Для составления датасета были извлечены фрагменты изображений 28*28 пикселей из множества сцен , охватывающих различные ландшафты.


    Содержание датасета
    • Каждый образец изображения является 4-х канальным и имеет размер 28x28 пикселей.
    • Все изображения разбиты на 4 класса
    • Обучающие и тестовые метки представляют собой векторы размером 1x4.
    • Обучающий и тестовый наборы данных принадлежат непересекающемуся набору фрагментов изображений.
    • После создания обучающий и тестовый наборы данных были рандомизированы с использованием генератора псевдослучайных чисел.

    Целевая задача


    Создать классификатор, который может определять к какому типу ландшафта относится изображенная на снимке местность.

    Мета информация


    Формат данных: csv-файлы. Количество векторов: 400000

    обучающих, 100000 тестовых Количество атрибутов: 28*28(размер)*4(каналы) = 3136 Тип данных: integer (0...255)

    Количество классов: 4 (barren land, trees, grassland and other)

    Пропущенных данных и аномалий обнаружено не было.

    Предлагаемый ML алгоритм


    Так как поставленную задачу можно отнести к разделу «Распознавание образов и классификация», где в качестве образцов выступают изображения, то наиболее подходящим способом решения будет создание и обучение нейронной сети.

    Возможные архитектуры нейросетей, для решения данной задачи: Перцептрон

    Свёрточные нейронные сети

    Adam - алгоритм оптимизации замены для стохастического градиентного спуска для обучения моделей обучения

    Прост для реализации. Вычислительно эффективен. Маленькие требования к памяти. Хорошо подходит для задач, которые являются большими с точки зрения данных и / или параметров.

    Гиперпараметры имеют интуитивно понятную интерпретацию и обычно требуют небольшой настройки.

    Критерий качества (Функция потерь): Категориальная- кросс энтропия (categorical crossentropy)

    Также стоит заметить, что для использования кросс- энтропии в качестве критерия качества, необходимо использовать функцию активации softmax для выходного слоя нейронов.

    Нормализация данных


    Один из вариантов нормализации входных:

    Применяя данный способ к нашей задаче, получим следующую формулу для нормализации входных данных:

    Ожидаемая модель знаний


    Ожидается, что после обучения, нейросеть сможет определять к какому классу относится местность на снимке: бесплодная земля, деревья, луга и другая.

    Предлагаемые методы и критерии оценки построенных моделей


    Матрица ошибок:

    Accuracy (Доля правильных ответов)

    Precision (Точность - Доля правильных ответов модели в пределах класса)

    Recall (Полнота - Способность алгоритма обнаруживать данный класс вообще)

    F-мера (Гармоническое среднее между точностью и полнотой)

    Вычисление времени затрачиваемого на обучение и времени прогнозирования.

    написать администратору сайта