Hybridní architektury neuronových sítí pro rozpoznávání obrazu

Název projektu anglicky
Hybrid neural network architectures for image recognition
Anotace anglicky
Current convolutional networks work with inefficient pixel-wise image representation, which does not provide almost any invariance. This leads to using very large training sets and massive augmentation. We propose to decompose intra-class variances into two degradation operators where one of them can be mathematically modelled by a superposition integral with a transformation of the coordinates. We propose to design hybrid network architectures that use both pixel-level and newly developed high-level invariant image representations such that the high-level representation will eliminate the influence of modelable degradations. The other intra-class variances will be tackled by deep learning on the pixel-level part of the network. We suppose to develop multi-branch parallel architectures as well as single-branch ones, that we obtain by generalization of group equivariant networks. This shall lead to a substantial reduction of the training set without sacrificing the recognition rate. The results of the project could define new standards in image-oriented network architectures.

Kategorie VaV
ZV - Základní výzkum
OECD FORD - hlavní obor
20204 - Robotics and automatic control
OECD FORD - vedlejší obor
—
OECD FORD - další vedlejší obor
—
CEP - odpovídající obory <br>(dle <a href="http://www.vyzkum.cz/storage/att/E6EF7938F0E854BAE520AC119FB22E8D/Prevodnik_oboru_Frascati.pdf">převodníku</a>)
JD - Využití počítačů, robotika a její aplikace

Důvěrnost údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Systémové označení dodávky dat
CEP24-GA0-GA-R
Datum dodání záznamu
27. 2. 2024

Podobné projekty(10)