Image Background Noise Impact on Convolutional Neural Network Training
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26220%2F18%3APU129527" target="_blank" >RIV/00216305:26220/18:PU129527 - isvavai.cz</a>
Výsledek na webu
<a href="https://ieeexplore.ieee.org/document/8631242" target="_blank" >https://ieeexplore.ieee.org/document/8631242</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1109/ICUMT.2018.8631242" target="_blank" >10.1109/ICUMT.2018.8631242</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Image Background Noise Impact on Convolutional Neural Network Training
Popis výsledku v původním jazyce
Small size dataset is general issue that we may encounter when training neural networks for analysis of image data. There are many cases when networks can not start training even with data augmentation. This paper proposes a new method how to allow training of image classification even when traditional approaches fail. It presents an experiment, which shows that subtraction of redundant background from images can significantly improve convergence of neural network training. Improvement is not in accuracy matter but it means that neural network is able to train and to start convergence. For experimental evaluation, person binary classification was used and compared to experiments, where the background was removed.
Název v anglickém jazyce
Image Background Noise Impact on Convolutional Neural Network Training
Popis výsledku anglicky
Small size dataset is general issue that we may encounter when training neural networks for analysis of image data. There are many cases when networks can not start training even with data augmentation. This paper proposes a new method how to allow training of image classification even when traditional approaches fail. It presents an experiment, which shows that subtraction of redundant background from images can significantly improve convergence of neural network training. Improvement is not in accuracy matter but it means that neural network is able to train and to start convergence. For experimental evaluation, person binary classification was used and compared to experiments, where the background was removed.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
20203 - Telecommunications
Návaznosti výsledku
Projekt
Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2018
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
2018 10th International Congress on Ultra Modern Telecommunications and Control Systems and Workshops (ICUMT)
ISBN
978-1-5386-9361-2
ISSN
—
e-ISSN
—
Počet stran výsledku
4
Strana od-do
168-171
Název nakladatele
Neuveden
Místo vydání
Moskva
Místo konání akce
Moskva
Datum konání akce
5. 11. 2018
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
000459238500045