簡易檢索 / 詳目顯示

研究生: 郭勝傑
Kuo, Sheng-Chieh
論文名稱: 以全像圖為基礎之資料增量法則於深度學習應用之研究
The Data Augmentation for Deep Learning Base on Holographical Image
指導教授: 黃文吉
Hwang, Wen-Jyi
學位類別: 碩士
Master
系所名稱: 資訊工程學系
Department of Computer Science and Information Engineering
論文出版年: 2018
畢業學年度: 106
語文別: 中文
論文頁數: 43
中文關鍵詞: 全像圖資料增量深度學習
DOI URL: http://doi.org/10.6345/THE.NTNU.DCSIE.014.2018.B02
論文種類: 學術論文
相關次數: 點閱:96下載:2
分享至:
查詢本校圖書館目錄 查詢臺灣博碩士論文知識加值系統 勘誤回報
  • 在進行深度學習訓練時,一般是需要大量的資料以確保訓練(training)模型時不會產生過度擬合(over-fitting)的現象,然而對於個人開發者或普通公司在資料收集上要能夠取得完整的資料是相當困難的。本論文在深度學習上提出一個採用全像圖(holographical image)來進行資料增量的法則,由於全像圖除了可以記錄及顯示3D資訊的特性,還可產生具有不同視角的2D影像,可讓用來訓練的資料量擴展,與一般只能夠改變影像的方向和色彩的方法相比,還多增加了不同視角的影像資訊,使得可有效的避免過度擬合的現象與提高辨識的準確性。
    由實驗的結果可見得,本論文所提出之資料增量法則的辨識率,是優於未進行資料增量和進行傳統資料增量的結果,同時也顯示出了本論文所提出之資料增量確實可以有效的解決Overfitting的現象,另外,本論文是採用骰子辨識做為實驗時的資料增量的例子,而類似的資料增量方式可使用在不同的應用中。綜合上述,本論文所提出以全像圖為主的資料增量法則在深度學習上會有廣泛的應用。

    中文摘要 i 目錄 ii 附表目錄 iii 附圖目錄 iv 第一章 緒論 1 第一節 研究背景 1 第二節 研究動機 1 第三節 研究目的 1 第四節 研究方法 2 第五節 全文架構 3 第二章 基礎理論及相關背景 4 第一節 類神經網路介紹 4 第二節 CONVOLUTIONAL NEURAL NETWORK 7 第三節 LENET5介紹 11 第四節 ALEXNET介紹 12 第五節 GOOGLENET介紹 14 第六節 資料增量 16 第七節 全像圖 18 第三章 實驗數據與分析 21 第一節 開發平台與實驗環境 21 第二節 數據與分析 31 第四章 結論 42 參考文獻 43

    1. Y. LeCun, L. Bottou, Y. Bengio, and P. Haffner. “ Gradient-based learning applied to document recognition. ” Proceedings of the IEEE, 86:2278–2324, 1998.
    2. A.Krizhevsky., I.Sutskever., G. E. Hinton. “ImageNet classification with deep convolutional neural networks.” In NIPS, pp. 1106–1114, 2012
    3. Christian Szegedy, Wei Liu, Yangqing Jia, Pierre Sermanet, Scott Reed, Dragomir Anguelov, Dumitru Erhan, Vincent Vanhoucke, Andrew Rabinovich, “Going Deeper with Convolutions” CVPR2015
    4. I.J. Goodfellow, J. Pouget-Abadie, M. Mirza, B. Xu, D. Warde-Farley, S. Ozair, A. C. Courville, and Y. Bengio. “Generative adversarial nets”. In Proceedings of NIPS, pages 2672– 2680, 2014
    5. 全像術介紹,WIKIPEDIA: https://zh.wikipedia.org/wiki/%E5%85%A8%E6%81%AF%E6%91%84%E5%BD%B1

    下載圖示
    QR CODE