Детальная информация

Название Разработка алгоритма решения задач машинного обучения на малой выборке сближением областей данных: выпускная квалификационная работа бакалавра: направление 01.03.02 «Прикладная математика и информатика» ; образовательная программа 01.03.02_02 «Системное программирование»
Авторы Шагвалиев Михаил Александрович
Научный руководитель Уткин Лев Владимирович
Организация Санкт-Петербургский политехнический университет Петра Великого. Физико-механический институт
Выходные сведения Санкт-Петербург, 2022
Коллекция Выпускные квалификационные работы ; Общая коллекция
Тематика машинное обучение ; искусственный интеллект ; глубокое обучение ; метрическое обучение ; обучение на малых выборках ; machine learning ; artificial intelligence ; deep learning ; metric learning ; few-shot learning
Тип документа Выпускная квалификационная работа бакалавра
Тип файла PDF
Язык Русский
Уровень высшего образования Бакалавриат
Код специальности ФГОС 01.03.02
Группа специальностей ФГОС 010000 - Математика и механика
DOI 10.18720/SPBPU/3/2022/vr/vr22-2831
Права доступа Доступ по паролю из сети Интернет (чтение, печать, копирование)
Ключ записи ru\spstu\vkr\18861
Дата создания записи 19.12.2022

Разрешенные действия

Действие 'Прочитать' будет доступно, если вы выполните вход в систему или будете работать с сайтом на компьютере в другой сети

Действие 'Загрузить' будет доступно, если вы выполните вход в систему или будете работать с сайтом на компьютере в другой сети

Группа Анонимные пользователи
Сеть Интернет

Тема выпускной квалификационной работы: "Разработка алгоритма решения задач машинного обучения на малой выборке сближением областей данных". Данная работа посвящена разработке моделей глубокого обучения для решения задач классификации, поддерживающих сценарий добавления новых классов: модель, обученная изначально проводить классификацию на начальных классах, должна поддерживать добавление новых классов, путем до обучения на малом наборе данных, соответствующем новым классам. Одним из подходов решения этой задачи является метод метрического обучения ProxyNormSoftmax, который основан на идее построения отображения входных объектов в пространство признаков таким образом, чтобы классы формировали кластеры с единственным центром в пространстве признаков. В работе предлагаются модификации ProxyNormSoftmax, основанные на построении нескольких центров кластеров классов. В результате исследования качества решения задачи применительно к изображениям на наборах данных CARS-196 и UCSD-200-2011 методом ProxyNormSoftmax и предложенными модификациями показано, что предложенные модификации, использующие несколько центров кластеров классов дают лучшее качество решения.

The subject of the graduate qualification work is «Design of an algorithm for solving few-shot learning problems by converging data areas». This thesis is devoted to the design of deep learning models for solving classification problems that support the scenario of adding new classes: a model initially trained to classify on initial classes should support adding new classes by additionally training on a small dataset corresponding to new classes. One of the approaches for solving this problem is the ProxyNormSoftmax metric learning method, which is based on the idea of constructing a mapping of input objects into the feature space in such a way that classes form clusters with a single center in the feature space. In this work we propose modifications of ProxyNormSoftmax based on the construction of several centers of class clusters. As a result of studying the quality of solving the problem in relation to images on the CARS-196 and UCSD-200-2011 datasets by the ProxyNormSoftmax method and the proposed modifications, it has been shown that the proposed modifications using several class cluster centers provide the better solution quality.

Место доступа Группа пользователей Действие
Локальная сеть ИБК СПбПУ Все
Прочитать Печать Загрузить
Интернет Авторизованные пользователи СПбПУ
Прочитать Печать Загрузить
Интернет Анонимные пользователи
  • Разработка алгоритма решения задач машинного обучения на малой выборке сближением областей данных
  • Разработка алгоритма решения задач машинного обучения на малой выборке сближением областей данных
    • Введение
    • 1. постановка задачи, Обзор существующих решений
    • 2. Теоретическая часть
    • 3. Разработка модификации метода ProxyNormSoftmax
    • 4. Численные эксперименты
    • Заключение
    • Список использованных источников

Количество обращений: 12 
За последние 30 дней: 0

Подробная статистика