Developing training methods for artificial neural networks for computer vision tasks

Abstract

В данной работе рассмотрено влияние предварительной обработки данных на точность распознавания изображений в задачах компьютерного зрения, а именно рассмотрено обеливание данных и его реализация методом анализа главных компонент (PCA) и методом анализа нулевых компонент (ZCA). Реализованы модели двух архитектур свёрточной нейронной сети на языке Python. В качестве данных использован классических набор рукописных цифр MNIST. Проведён сравнительный анализ точности при обучении и точности на тестовых данных построенных моделей СНС на исходных и обеленных, а также случайно преобразованных данных.

This work presents the influence of data preprocessing on image recognition accuracy in computer vision problems, specifically data whitening and its implementation by the method of principal component analysis (PCA) and the method of zero phase component analysis (ZCA). Models of two convolutional neural network architectures are implemented in Python. The standard set of handwritten digits MNIST is used as data. A comparative analysis of the accuracy in training and the accuracy on test data of the constructed CNN models on the original and whitened and randomly transformed data is realized.