Details

Title Метод глубокой кластеризации анализа данных изображений планктона: выпускная квалификационная работа магистра: направление 09.04.01 «Информатика и вычислительная техника» ; образовательная программа 09.04.01_17 «Интеллектуальные системы (международная образовательная программа)»
Creators Ибрахим Марк Акрам Амир Тавфик
Scientific adviser Потехин Вячеслав Витальевич
Other creators Селиванова Елена Николаевна
Organization Санкт-Петербургский политехнический университет Петра Великого. Институт компьютерных наук и технологий
Imprint Санкт-Петербург, 2020
Collection Выпускные квалификационные работы; Общая коллекция
Subjects Искусственный интеллект; компьютерное зрение; машинное зрение; обработка изображений; распознавание образов; сверточная нейронная сеть; кластеризация; выделение признаков
UDC 004.89
Document type Master graduation qualification work
File type PDF
Language Russian
Level of education Master
Speciality code (FGOS) 09.04.01
Speciality group (FGOS) 090000 - Информатика и вычислительная техника
Links Отзыв руководителя; Рецензия; Отчет о проверке на объем и корректность внешних заимствований
DOI 10.18720/SPBPU/3/2020/vr/vr20-1427
Rights Доступ по паролю из сети Интернет (чтение, печать, копирование)
Record key ru\spstu\vkr\6177
Record create date 6/29/2020

Allowed Actions

Action 'Read' will be available if you login or access site from another network

Action 'Download' will be available if you login or access site from another network

Group Anonymous
Network Internet

Достижения в области автоматизированной визуализации позволили расширить данные как с точки зрения количества, так и качества. Это побудило к созданию планктонных систем для получения информации об уровне видов сообществ. Тем не менее, проверка огромного количества данных была проблемой для людей и компьютеров. Данная магистерская работа посвящена визуальной кластеризации данных изображений планктона путем внедрения и применения современных методов кластеризации для наборов данных изображений планктона. Эти данные были собраны из Балтийского моря с использованием проточного цитометра. Чтобы сформировать кластеры, сначала функции были извлечены с использованием CNN AlexNet и ResNet-18. Результат каждого CNN был сгруппирован с использованием иерархического алгоритма и алгоритма K-средних и оценен путем проверки уровня чистоты каждого метода кластеризации. Результат показывает, что для небольшого числа классов метод K-средних основан на извлеченных признаках, использование ResNet-18 имеет наивысший уровень чистоты, однако иерархический метод показывает более высокую чистоту в случае, если количество кластеров мало. С другой стороны, иерархический метод показывает лучшие показатели чистоты, когда число классов огромно.

Advancements in automated imaging has made it possible to augment the data both in terms of quantity and quality. This has prompted the development of planktonic systems for acquiring the species level information of the communities. However, screening the huge amount of data has been a challenge for both humans and computers alike. This Master’s thesis project is focusing on visual clustering of plankton image data, by implementing and applying state-of-the-art clustering methods on plankton image data sets. These data set were collected from the Baltic Sea using an imaging flow cytometer. In order to form the clusters, first the features were extracted using AlexNet and ResNet-18 CNNs. The resultant of each CNN was clustered using Hierarchical and K-means algorithm and evaluated by checking the purity level of each clustering method. The result shows that for a small number of classes the K-means method based on features extracted using ResNet-18 has the highest level of purity, however the Hierarchical method shows higher purity in case the number of clusters is low. On the other hand, the Hierarchical method shows better purity measures when the number of classes is huge.

Network User group Action
ILC SPbPU Local Network All
Read Print Download
Internet Authorized users SPbPU
Read Print Download
Internet Anonymous

Access count: 4 
Last 30 days: 0

Detailed usage statistics