Fuzzy preprocessing for semi-supervised image classification in modern industry
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61988987%3A17610%2F19%3AA2001ZSQ" target="_blank" >RIV/61988987:17610/19:A2001ZSQ - isvavai.cz</a>
Výsledek na webu
—
DOI - Digital Object Identifier
—
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Fuzzy preprocessing for semi-supervised image classification in modern industry
Popis výsledku v původním jazyce
We are focusing on image classification in industrial processing taking into account the most problematic issue of the processing: the lack of labeled data. Here, we are considering three datasets: the first one is an unsorted collection of all types of manufactured products and includes 100 images per class. The second one consists of products sorted into particular classes by a specialized employee and includes only ten images per class. The last one includes a massive volume of labeled images, but it is used only for the proposal validation. As the configuration is challenging for neural networks, we propose to use Image Represented by a Fuzzy Function in order to enrich original image information. We solve the task using various autoencoder architectures and prove that such the proposal increases the autoencoders success rate.
Název v anglickém jazyce
Fuzzy preprocessing for semi-supervised image classification in modern industry
Popis výsledku anglicky
We are focusing on image classification in industrial processing taking into account the most problematic issue of the processing: the lack of labeled data. Here, we are considering three datasets: the first one is an unsorted collection of all types of manufactured products and includes 100 images per class. The second one consists of products sorted into particular classes by a specialized employee and includes only ten images per class. The last one includes a massive volume of labeled images, but it is used only for the proposal validation. As the configuration is challenging for neural networks, we propose to use Image Represented by a Fuzzy Function in order to enrich original image information. We solve the task using various autoencoder architectures and prove that such the proposal increases the autoencoders success rate.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
10102 - Applied mathematics
Návaznosti výsledku
Projekt
<a href="/cs/project/EF17_049%2F0008414" target="_blank" >EF17_049/0008414: Centrum pro výzkum a vývoj metod umělé intelligence v automobilovém průmyslu regionu</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>S - Specificky vyzkum na vysokych skolach
Ostatní
Rok uplatnění
2019
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
15th International Work-Conference on Artificial Neural Networks
ISBN
978-3-030-20517-1
ISSN
0302-9743
e-ISSN
—
Počet stran výsledku
11
Strana od-do
3-13
Název nakladatele
Springer
Místo vydání
Cham
Místo konání akce
Gran Canaria
Datum konání akce
12. 6. 2019
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—