En jämförande studie av regulariserade neurala nätverk med tillämpning på bildklassificering

Detta är en Kandidat-uppsats från Göteborgs universitet/Institutionen för matematiska vetenskaper

Sammanfattning: Denna rapport fokuserar på jämförelsen mellan olika regulariseringstekniker av artificiella neuralanätverk applicerade på klassificering av bilddata. Regulariseringsmetoderna som använtsär L2-regularisering och dropout, och dessa har jämförts med icke-regulariserande neuralanätverk. Ett neuralt nätverk programmerades från grunden i MATLAB som initialt användes,men för effektivare träning av större nätverk användes Pytorch ramverket. Datasetensom undersöks är MNIST, MNIST-Fashion, CIFAR10 och ett hudcancer-dataset från ISIC.Två simulerade dataset i 2D användes också för att få en visuell idé om hur regulariseringpåverkar nätverket. Resultaten visar att regularisering ger bättre generalisering, men ocksåatt nätverksarkitekturen kan ha stor påverkan och en regulariserande effekt. Med tillämpningpå hudcancer-data ser vi att dropout ger bäst generalisering i fallet av konvolutionella ochfeedforward neurala nätverk samt noterar att modellens prestation är nära toppmodern ocherhåller resultat i linje med dermatologer och läkare i klassificiering av hudcancer.

  HÄR KAN DU HÄMTA UPPSATSEN I FULLTEXT. (följ länken till nästa sida)