Please use this identifier to cite or link to this item:
https://rsuir-library.rsu.ac.th/handle/123456789/1521| Title: | ผลกระทบของจำนวนเครือข่ายเสริมที่ใช้ในโครงข่ายประสาทคอนโวลูชันแบบไลท์เวทอินเซ็ปชันในการรู้จำวัตถุ |
| Other Titles: | Effects of number of auxiliary networks used in lightweight inception convolutional neural network on object recognition |
| Authors: | ศตวรรษ สิงห์ประยูร |
| metadata.dc.contributor.advisor: | สิริพร ศุภราทิตย์ |
| Keywords: | การรู้จำวัตถุ -- แบบจำลอง;คอนโวลูชัน (คณิตศาสตร์);นิวรัลเน็ตเวิร์ด (คอมพิวเตอร์) |
| Issue Date: | 2564 |
| Publisher: | มหาวิทยาลัยรังสิต |
| Abstract: | งานวิจัยนี้มุ่งเน้นไปที่ผลกระทบของจำนวนเครือข่ายเสริมที่ใช้ในโครงข่ายประสาทคอน โวลูชันแบบไลท์เวทอินเซ็ปชันในการรู้จำวัตถุ. โครงข่ายประสาทคอนโวลูชันแบบอินเซ็ปชันใน การรู้จำวัตถุใช้อินเซ็ปชันบล็อก 6 โมดูลของที่มีเครือข่ายเสริมสองเครือข่าย(2-ICNN), หนึ่ง เครือข่าย(1L-ICNN)ที่ใช้ทดลองนี้. ตามที่2-ICNNจะมีสองเครือข่ายเสริมถูกแทรกหลังอินเซ็ปชันบล็อกแรกและก่อนอินเซ็ปชันบล็อกสุดท้าย ในขณะที่เครือข่ายเสริมก่อนอินเซ็ปชันบล็อกสุดท้าย และหลังอินเซ็ปชันบล็อกสุดท้ายนั้นถูกนำออกตามคือ 1F-ICNN และ 1L-ICNN, โดยลำดับ. การทดลองใช้ชุดข้อมูลดอกไม้ Oxford-17 และ Oxford-102. การประเมินประสิทธิภาพการรับรู้ ขึ้นอยู่กับค่าเฉลี่ยของคะแนน F1 และคะแนนความแม่นยำ(Accuracy Scores), โดยใช้ 10-Fold cross validation เพื่อวัตถุประสงค์ในการลดค่าไบแอส. ผลลัพธ์แสดงให้เห็นว่า 1F-ICNN มีค่า yields 81.88 % และ 86.39% ดีที่สุดในประสิทธิภาพการรับรู้สำหรับ Oxford-17, ซึ่งประกอบด้วย 17 ชนิดของพันธุ์ดอกไม้; ในขณะที่ 2-ICNN ให้ค่าที่ 70.16% และ 79.29% ดีที่สุดในประสิทธิภาพ การรับรู้สำหรับ Oxford-102กับ 102 ชนิดพันธ์ดอกไม้, ซึ่งถูกปรับขนาดภาพที่ขนาด 70 × 70 และ 140 × 140 พิกเซล |
| metadata.dc.description.other-abstract: | This research focuses on effects of number of auxiliary networks used in lightweight inception convolutional neural networks (ICNNs) on object recognition. The ICNNs, using six modules of inception-block having two-auxiliary network (2-ICNN), one-auxiliary-network-afterfirst–inception-block (1F-ICNN), one-auxiliary-network-before-last-inception-block, (1L-ICNN) are experimented here. According to 2-ICNN, two auxiliary networks are inserted after the first inception-block and before the last one; whilst the auxiliary networks before the last inception block and after the first one are removed according to 1F-ICNN and 1L-ICNN, consecutively. The experiments rely on Oxford-17 and Oxford-102 flower datasets. Recognition performance assessments depend on averages of F1 and accuracy scores, based on 10-fold cross validation for bias reduction purpose. The results indicate that 1F-ICNN yields 81.88% and 86.39% best recognition performance for Oxford-17, containing 17 classes of flower species; whereas, 2-ICNN provides 70.16% and 79.29% best performance for Oxford-102 with 102 classes of species, based on 70 × 70 and 140 × 140 pixels resized images |
| Description: | วิทยานิพนธ์ (วท.ม. (เทคโนโลยีสารสนเทศ)) -- มหาวิทยาลัยรังสิต, 2564 |
| metadata.dc.description.degree-name: | วิทยาศาสตรมหาบัณฑิต |
| metadata.dc.description.degree-level: | ปริญญาโท |
| metadata.dc.contributor.degree-discipline: | เทคโนโลยีสารสนเทศ |
| URI: | https://rsuir-library.rsu.ac.th/handle/123456789/1521 |
| metadata.dc.type: | Thesis |
| Appears in Collections: | ICT-IT-M-Thesis |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| SECOND LIEUTENANT SATAWAT SINGPRAYOON.pdf | 9.87 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.