ผลกระทบของจำนวนเครือข่ายเสริมที่ใช้ในโครงข่ายประสาทคอนโวลูชันแบบไลท์เวทอินเซ็ปชันในการรู้จำวัตถุ

ศตวรรษ สิงห์ประยูร

Please use this identifier to cite or link to this item: https://rsuir-library.rsu.ac.th/handle/123456789/1521

Full metadata record

DC Field	Value	Language
dc.contributor.advisor	สิริพร ศุภราทิตย์	-
dc.contributor.author	ศตวรรษ สิงห์ประยูร	-
dc.date.accessioned	2023-02-27T03:46:51Z	-
dc.date.available	2023-02-27T03:46:51Z	-
dc.date.issued	2564	-
dc.identifier.uri	https://rsuir-library.rsu.ac.th/handle/123456789/1521	-
dc.description	วิทยานิพนธ์ (วท.ม. (เทคโนโลยีสารสนเทศ)) -- มหาวิทยาลัยรังสิต, 2564	en_US
dc.description.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	en_US
dc.language.iso	other	en_US
dc.publisher	มหาวิทยาลัยรังสิต	en_US
dc.subject	การรู้จำวัตถุ -- แบบจำลอง	en_US
dc.subject	คอนโวลูชัน (คณิตศาสตร์)	en_US
dc.subject	นิวรัลเน็ตเวิร์ด (คอมพิวเตอร์)	en_US
dc.title	ผลกระทบของจำนวนเครือข่ายเสริมที่ใช้ในโครงข่ายประสาทคอนโวลูชันแบบไลท์เวทอินเซ็ปชันในการรู้จำวัตถุ	en_US
dc.title.alternative	Effects of number of auxiliary networks used in lightweight inception convolutional neural network on object recognition	en_US
dc.type	Thesis	en_US
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	en_US
dc.description.degree-name	วิทยาศาสตรมหาบัณฑิต	en_US
dc.description.degree-level	ปริญญาโท	en_US
dc.contributor.degree-discipline	เทคโนโลยีสารสนเทศ	en_US
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

Show simple item record