Будь ласка, використовуйте цей ідентифікатор, щоб цитувати або посилатися на цей матеріал:
http://elartu.tntu.edu.ua/handle/lib/44685
Назва: | Comparative analysis of data augmentation methods for image modality |
Інші назви: | Порівняльний аналіз методів аугментації даних для модальності зображень |
Автори: | Бохонко, Андрій Мельникова, Наталія Патерега, Юрій Bokhonko, Andrii Melnykova, Nataliia Patereha, Yurii |
Приналежність: | Національний університет «Львівська політехніка», Львів, Україна Lviv Polytechnic National University, Lviv, Ukraine |
Бібліографічний опис: | Bokhonko A. Comparative analysis of data augmentation methods for image modality / Andrii Bokhonko, Nataliia Melnykova, Yurii Patereha // Scientific Journal of TNTU. — Tern. : TNTU, 2024. — Vol 113. — No 1. — P. 16–26. |
Bibliographic description: | Bokhonko A., Melnykova N., Patereha Y. (2024) Comparative analysis of data augmentation methods for image modality. Scientific Journal of TNTU (Tern.), vol. 113, no 1, pp. 16-26. |
Є частиною видання: | Вісник Тернопільського національного технічного університету, 1 (113), 2024 Scientific Journal of the Ternopil National Technical University, 1 (113), 2024 |
Журнал/збірник: | Вісник Тернопільського національного технічного університету |
Випуск/№ : | 1 |
Том: | 113 |
Дата публікації: | 19-бер-2024 |
Дата подання: | 22-гру-2023 |
Дата внесення: | 17-кві-2024 |
Видавництво: | ТНТУ TNTU |
Місце видання, проведення: | Тернопіль Ternopil |
DOI: | https://doi.org/10.33108/visnyk_tntu2024.01.046 |
УДК: | 004.852 |
Теми: | модальність даних класифікація аугментація даних розширення вибірки машинне навчання data modality classification data augmentation sample expansion machine learning |
Кількість сторінок: | 11 |
Діапазон сторінок: | 16-26 |
Початкова сторінка: | 16 |
Кінцева сторінка: | 26 |
Короткий огляд (реферат): | В сучасному світі машинне навчання стало ключовим інструментом для аналізу та опрацювання даних у різних сферах – від медицини до транспорту. Однак, щоб досягти високої точності та надійності в прогнозуванні, машинне навчання потребує великої кількості даних. Проте у багатьох випадках наявність достатньої кількості даних є неможливою, що ускладнює розроблення ефективних моделей машинного навчання. Однією з важливих проблем у машинному навчанні є аналіз коротких наборів даних. У таких випадках, розроблення ефективної моделі машинного навчання може бути складним завданням, оскільки точність таких моделей зазвичай залежить від обсягу даних. Проте застосування методів аугментації даних може збільшити обсяг даних, необхідних для ефективного навчання моделей. Метою роботи є порівняльний аналіз методів аугментації даних для модальності зо бражень. У рамках роботи дослідженоо різні методи аугментації даних для зображень. Дослідження виконано за допомогою різних алгоритмів та моделей машинного навчання. Порівняння результатів досліджень дозволить визначити ефективність різних методів аугмента ції даних для модальності зображень. Об’єктом дослідження є процеси прогнозування у випадку коротких наборів табличних даних. Методами дослідження є алгоритми машинного навчання, які використовуються для роботи з модальностю зображення. Предметом дослідження є методи штучного доповнення даних для зображень. Досягнення мети відбувається , в першу чергу, за рахунок вивчення існуючих засобів машинного навчання та методів доповнення даних для зображень.
Подальше розроблення програмного забезпечення для впровадження різних методів доповнення даних і моделей машинного навчання для зображень. Апробацію роботи пров едено шляхом аналізу ефективності різних методів доповнення даних для зображень за допомогою метрик якості та статистичних методів. У результаті дослідження отримано порівняльний аналіз впливу різних методів доповнення даних на ефективність класифікаторів зображень із використанням різних метрик, таких, як accuracy, recall, precision, f1-score, confusion matrix The object of research is forecasting processes in the case of short sets of tabular data. The subject of research is the data augmentation method for images. Achieving the goal occurs primarily from thestudy of existing machine learning tools and data augmentation methods for images. Further software development to implement various data augmentation methods and machine learning models for images. Approbation of the work was carried out by analyzing the effectiveness of various methods of data augmentation for images using quality metrics and statistical methods. Due to the results of the research, an analysis of the influence of various methods of data augmentation on the effectiveness of classifiers in images was carried out |
URI (Уніфікований ідентифікатор ресурсу): | http://elartu.tntu.edu.ua/handle/lib/44685 |
ISSN: | 2522-4433 |
Власник авторського права: | © Тернопільський національний технічний університет імені Івана Пулюя, 2024 |
URL-посилання пов’язаного матеріалу: | https://doi.org/10.6000/1927-5129.2017.13.76 https://doi.org/10.1007/s13042-022-01555-1 https://doi.org/10.1109/SSCI.2018.8628742 https://doi.org/10.1109/IIPHDW.2018.8388338 https://doi.org/10.1007/s10462-022-10227-z https://doi.org/10.1186/s40537-019-0197-0 https://doi.org/10.3390/s22166193 https://doi.org/10.5121/ijdkp.2015.5201 |
Перелік літератури: | 1. A. Soof A. Awan Classification Techniques in Machine Learning: Applications and Issues. Journal of Basic & Applied Sciences. https://doi.org/10.6000/1927-5129.2017.13.76 2. A. L. C. Ottoni, R. M. de Amorim, M. S. Novo, I D. B. Costa Tuning of data augmentation hyperparameters in deep learning to building construction image classification with small datasets. Intl. J. Mach. Learn. Cybern. Vol. 14. 2023. P. 171–186. https://doi.org/10.1007/s13042-022-01555-1 3. L. Taylor I. G. Nitschke Improving deep learning with generic data augmentation, in 2018 IEEE symposium series on computational intelligence (SSCI). 2018. P. 1542–1547. https://doi.org/10.1109/SSCI.2018.8628742 4. A. Mikołajczyk I. M. Grochowski Data augmentation for improving deep learning in image classification problem, in 2018 international interdisciplinary PhD workshop (IIPhDW). 2018. P. 117–122. https://doi.org/10.1109/IIPHDW.2018.8388338 5. D. Lewy I. J. Mańdziuk An overview of mixing augmentation methods and augmentation strategies. Artif Intell Rev. 56 (3). 2023. P. 2111–2169. https://doi.org/10.1007/s10462-022-10227-z 6. C. Shorten I. T. M. Khoshgoftaar A survey on Image Data Augmentation for Deep Learning. J. Big Data. 6 (1). 2019. https://doi.org/10.1186/s40537-019-0197-0 7. K. Dunphy, M. N. Fekri, K. Grolinger, і A. Sadhu Data Augmentation for Deep-Learning-Based Multiclass Structural Damage Detection Using Limited Information. Sensors. 22. (16), 2022. https://doi.org/10.3390/s22166193 8. M. Hossin I. S. M.N A Review on Evaluation Metrics for Data Classification Evaluations. International Journal of Data Mining & Knowledge Management Process. Vol. 5. 2015. P. 1–11. https://doi.org/10.5121/ijdkp.2015.5201 |
References: | 1. A. Soofi i A. Awan Classification Techniques in Machine Learning: Applications and Issues. Journal of Basic & Applied Sciences. Vol. 13. 2017. P. 459–465. https://doi.org/10.6000/1927-5129.2017.13.76 2. A. L. C. Ottoni, R. M. de Amorim, M. S. Novo, i D. B. Costa Tuning of data augmentation hyperparameters in deep learning to building construction image classification with small datasets. Intl. J. Mach. Learn. Cybern. Vol. 14. 2023. H. 171–186. https://doi.org/10.1007/s13042-022-01555-1 3. L. Taylor I. G. Nitschke Improving deep learning with generic data augmentation, in 2018 IEEE symposium series on computational intelligence (SSCI). 2018. P. 1542–1547. https://doi.org/10.1109/SSCI.2018.8628742 4. A. Mikołajczyk I M. Grochowski Data augmentation for improving deep learning in image classification problem, in 2018 international interdisciplinary PhD workshop (IIPhDW). 2018. P. 117– 122. https://doi.org/10.1109/IIPHDW.2018.8388338 5. D. Lewy i J. Mańdziuk An overview of mixing augmentation methods and augmentation strategies. Artif Intell Rev. 56 (3). 2023. Р. 2111–2169. https://doi.org/10.1007/s10462-022-10227-z 6. C. Shorten i T. M. Khoshgoftaar A survey on Image Data Augmentation for Deep Learning. J. Big Data. 6 (1). 2019. https://doi.org/10.1186/s40537-019-0197-0 7. K. Dunphy, M. N. Fekri, K. Grolinger, і A. Sadhu Data Augmentation for Deep-Learning-Based Multiclass Structural Damage Detection Using Limited Information. Sensors . 22. (16), 2022. https://doi.org/10.3390/s22166193 8. M. Hossin i S. M.N A Review on Evaluation Metrics for Data Classification Evaluations. International Journal of Data Mining & Knowledge Management Process. Vol. 5. 2015. P. 1–11. https://doi.org/10.5121/ijdkp.2015.5201 |
Тип вмісту: | |
Розташовується у зібраннях: | Вісник ТНТУ, 2024, № 1 (113) |
Файли цього матеріалу:
Файл | Опис | Розмір | Формат | |
---|---|---|---|---|
TNTUSJ_2024v113n1_Bokhonko_A-Comparative_analysis_of_16-26.pdf | 3,36 MB | Adobe PDF | Переглянути/відкрити | |
TNTUSJ_2024v113n1_Bokhonko_A-Comparative_analysis_of_16-26.djvu | 435,12 kB | DjVu | Переглянути/відкрити | |
TNTUSJ_2024v113n1_Bokhonko_A-Comparative_analysis_of_16-26__COVER.png | 1,24 MB | image/png | Переглянути/відкрити |
Усі матеріали в архіві електронних ресурсів захищені авторським правом, всі права збережені.