Оценка эффективности метода расширения наборов данных на основе глубокого обучения с подкреплением

Аннотация

Евдокимова Т.С., Шлеймович М.П.

Дата поступления статьи: 17.12.2024

В статье представлены результаты численного эксперимента по сравнению точности нейросетевого распознавания объектов на изображениях с применением различных типов расширения наборов данных. Описывается необходимость в расширении наборов данных с применением адаптивных подходов, с целью минимизации использования преобразований изображений, которые могут снижать точность распознавания объектов. Автор рассматривает такие подходы к расширению наборов данных как рандомная и автоматическая аугментации так как они являются распространенными, а также разработанный метод адаптивного рас-ширения наборов данных при помощи алгоритма глубокого обучения с подкреплением. Приведены алгоритмы работы каждого из подходов их преимущества и недостатки методов. Описывается работа и основные параметры разработанного метода расширения набора данных при помощи алгоритма глубокого обучения с подкреплением (Deep-Q-Network), с точки зрения алгоритма и основного модуля программного комплекса. Уделяется внимание к одному из подходов машинного обучения, а именно обучению с подкреплением. Описывается применение нейронной сети для аппроксимации Q-функции и ее обновления в процессе обучения, в основе которого лежит разрабатываемый метод. Результаты экспериментов показывают преимущество использования расширения наборов данных при помощи алгоритма обучения с подкреплением на примере модели классификации Squeezenet v1.1. Сравнение точности распознавания с использованием методов расширения наборов данных проводилось с применением одинаковых параметров нейросетевого классификатора с применением и без применения предобученных весов. Таким образом повышение точности в сравнении с другими методами варьируется от 2, 91% до 6,635%.

Ключевые слова: расширение наборов данных, рандомная аугментация, автоматическая аугментация, преобразования изображений, глубокое обучение с подкреплением, нейросетевой классификатор, распознавание

1.2.2 - Математическое моделирование, численные методы и комплексы программ

.