Đang tải... (xem toàn văn)
Phân lớp dữ liệu hình ảnh một lớp ứng dụng trong các hệ thống giám sát lỗi
48
24
0
Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống
Thông tin tài liệu
Ngày đăng: 12/05/2022, 11:16
Xem thêm:
Hình ảnh liên quan
Hình 1.1.
Một số các phương pháp và hướng tiếp cận sử dụng Xem tại trang 17 của tài liệu.
h.
ình sinh (Generative model) Đây là phương pháp phổ biến nhất để giải bài toàn phân lớp một lớp Xem tại trang 17 của tài liệu.
Hình 2.2.
Cấu trúc mạng nơ-ron nhân tạo cơ bản Xem tại trang 20 của tài liệu.
Hình 2.1.
Cấu trúc sinh học của một nơ-ron Xem tại trang 20 của tài liệu.
Hình 2.3.
Bộ lọc cạnh Xem tại trang 22 của tài liệu.
Hình 2.6.
Kích thước ảnh giữ nguyên 5x5 sau khi thêm vùng đệm kích thước 1 Xem tại trang 23 của tài liệu.
Hình 2.5.
Kích thước ảnh giảm từ 5x5 về 3x3 sau khi áp dụng bộ lọc 3x3 Xem tại trang 23 của tài liệu.
Hình 2.7.
Ảnh minh họa tầng gộp Xem tại trang 24 của tài liệu.
rong.
mạng nơ-ron tích chập, việc huấn luyện mô hình thật ra là việc cập nhật trọng số của mạng sao cho các đặc trưng được trích xuất phù hợp để sử dụng phân lớp ảnh Xem tại trang 25 của tài liệu.
Hình 2.9.
Kiến trúc mạng ResNet18 2.2.5 Kiến trúc mạng nơ-ron VGG16 Xem tại trang 26 của tài liệu.![VGG16[11] là mô hình của nhóm tác giả Karen Simonyan và Andrew Zisserman đề xuất trong cuộc thi ILSVRC 2014 - Phân lớp dữ liệu hình ảnh một lớp ứng dụng trong các hệ thống giám sát lỗi](https://media.store123doc.com/figures/000/617/hinh-nhom-karen-simonyan-andrew-zisserman-xuat-ilsvrc-617339.png)
16.
[11] là mô hình của nhóm tác giả Karen Simonyan và Andrew Zisserman đề xuất trong cuộc thi ILSVRC 2014 Xem tại trang 26 của tài liệu.
Hình 4.1.
Các vật thể và kiểu cấu trúc trong tập dữ liệu MVTecAD 4.2 Tiêu chuẩn đánh giá Xem tại trang 35 của tài liệu.
Hình 4.2.
Các tỉ lệ dùng trong các độ đo điểm trên ROC mà gần với điểm giá trị (FPR, TPR)=(0,1) Xem tại trang 36 của tài liệu.
Hình 4.3.
Kiến trúc mô hình ResNet18 Xem tại trang 37 của tài liệu.
Hình 4.5.
Ảnh dự đoán Bottle, Cable, Screw Xem tại trang 38 của tài liệu.
Hình 4.4.
Ảnh dự đoán Leather, Wood, Capsule Xem tại trang 38 của tài liệu.
Hình 4.6.
Ảnh dự đoán Pill, Transistor, HazelNut Xem tại trang 39 của tài liệu.
Hình 4.7.
Ảnh dự đoán Toothbrush, Grid, Carpet Xem tại trang 39 của tài liệu.
Hình 4.8.
Ảnh dự đoán Tile, MetalNut, Zipper Xem tại trang 40 của tài liệu.
u.
ận văn này cũng thử nghiệm phương pháp đề xuất với mô hình VGG16, tuy nhiên, khi chọn ngẫu nhiên các đặc trưng, số lương chúng tôi chọn là 200 thay vì 100 như ResNet18 Xem tại trang 41 của tài liệu.
Hình 4.9.
AUROC trên tất cả các tập dữ liệu sử dụng mô hình ResNet18 Xem tại trang 41 của tài liệu.
t.
thách thức với các mô hình học sâu là tập dữ liệu huấn luyện phải đủ lớn để học được tính tổng quát Xem tại trang 42 của tài liệu.
Bảng 4.2.
Kết quả thực nghiệm trên SMVTecAD với ResNet18 Xem tại trang 43 của tài liệu.Trích đoạn
Tài liệu cùng người dùng
Tài liệu liên quan