1. Trang chủ
  2. » Luận Văn - Báo Cáo

Phân lớp dữ liệu hình ảnh một lớp ứng dụng trong các hệ thống giám sát lỗi

48 24 0

Đang tải... (xem toàn văn)

Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống

THÔNG TIN TÀI LIỆU

Thông tin cơ bản

Tiêu đề Phân Lớp Dữ Liệu Hình Ảnh Một Lớp Ứng Dụng Trong Các Hệ Thống Giám Sát Lỗi
Tác giả Trần Hậu Tuấn
Người hướng dẫn TS. Lờ Hồng Trang
Trường học Đại học Quốc gia TP.HCM
Chuyên ngành Khoa học máy tính
Thể loại luận văn tốt nghiệp
Năm xuất bản 2021
Thành phố TP. Hồ Chí Minh
Định dạng
Số trang 48
Dung lượng 4,05 MB

Nội dung

Ngày đăng: 12/05/2022, 11:16

Nguồn tham khảo

Tài liệu tham khảo Loại Chi tiết
[1] Pramuditha Perera, Poojan Oza, and Vishal M. Patel. One-class classification: A survey, 2021 Sách, tạp chí
Tiêu đề: One-class classification: A survey
Tác giả: Pramuditha Perera, Poojan Oza, Vishal M. Patel
Năm: 2021
[2] Olga Russakovsky, Jia Deng, Hao Su, Jonathan Krause, Sanjeev Satheesh, Sean Ma, Zhiheng Huang, Andrej Karpathy, Aditya Khosla, Michael Bernstein, Alexander C.Berg, and Li Fei-Fei. ImageNet Large Scale Visual Recognition Challenge. Interna- tional Journal of Computer Vision (IJCV), 115(3):211–252, 2015 Sách, tạp chí
Tiêu đề: ImageNet Large Scale Visual Recognition Challenge
Tác giả: Olga Russakovsky, Jia Deng, Hao Su, Jonathan Krause, Sanjeev Satheesh, Sean Ma, Zhiheng Huang, Andrej Karpathy, Aditya Khosla, Michael Bernstein, Alexander C.Berg, Li Fei-Fei
Nhà XB: International Journal of Computer Vision (IJCV)
Năm: 2015
[5] Fahad Sohrab, Jenni Raitoharju, Moncef Gabbouj, and Alexandros Iosifidis. Sub- space support vector data description, 2018 Sách, tạp chí
Tiêu đề: Sub- space support vector data description
Tác giả: Fahad Sohrab, Jenni Raitoharju, Moncef Gabbouj, Alexandros Iosifidis
Năm: 2018
[7] Thomas Defard, Aleksandr Setkov, Angelique Loesch, and Romaric Audigier. Padim:a patch distribution modeling framework for anomaly detection and localization.CoRR, abs/2011.08785, 2020 Sách, tạp chí
Tiêu đề: Padim:a patch distribution modeling framework for anomaly detection and localization
Tác giả: Thomas Defard, Aleksandr Setkov, Angelique Loesch, Romaric Audigier
Nhà XB: CoRR
Năm: 2020
[8] Pramuditha Perera, Ramesh Nallapati, and Bing Xiang. Ocgan: One-class novelty detection using gans with constrained latent representations, 2019 Sách, tạp chí
Tiêu đề: Ocgan: One-class novelty detection using gans with constrained latent representations
Tác giả: Pramuditha Perera, Ramesh Nallapati, Bing Xiang
Năm: 2019
[9] Philipp Liznerski, Lukas Ruff, Robert A. Vandermeulen, Billy Joe Franks, Marius Kloft, and Klaus-Robert M¨uller. Explainable deep one-class classification, 2021 Sách, tạp chí
Tiêu đề: Explainable deep one-class classification
Tác giả: Philipp Liznerski, Lukas Ruff, Robert A. Vandermeulen, Billy Joe Franks, Marius Kloft, Klaus-Robert Müller
Năm: 2021
[10] Kaiming He, Xiangyu Zhang, Shaoqing Ren, and Jian Sun. Deep residual learning for image recognition, 2015 Sách, tạp chí
Tiêu đề: Deep residual learning for image recognition
Tác giả: Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun
Năm: 2015
[3] Alex Krizhevsky. Learning multiple layers of features from tiny images. Technical report, 2009 Khác
[4] Pramuditha Perera and Vishal M. Patel. Learning deep features for one-class classi- fication. IEEE Transactions on Image Processing, 28(11):5450–5463, Nov 2019 Khác
[6] Larry M. Manevitz and Malik Yousef. One-class svms for document classification. J.Mach. Learn. Res., 2:139–154, March 2002 Khác

HÌNH ẢNH LIÊN QUAN

PHÂN LỚP DỮ LIỆU HÌNH ẢNH MỘT LỚP ỨNG DỤNG TRONG CÁC HỆ THỐNG GIÁM SÁT LỖI - Phân lớp dữ liệu hình ảnh một lớp ứng dụng trong các hệ thống giám sát lỗi
PHÂN LỚP DỮ LIỆU HÌNH ẢNH MỘT LỚP ỨNG DỤNG TRONG CÁC HỆ THỐNG GIÁM SÁT LỖI (Trang 1)
Hình 1.1: Một số các phương pháp và hướng tiếp cận sử dụng - Phân lớp dữ liệu hình ảnh một lớp ứng dụng trong các hệ thống giám sát lỗi
Hình 1.1 Một số các phương pháp và hướng tiếp cận sử dụng (Trang 17)
• Mô hình sinh (Generative model) Đây là phương pháp phổ biến nhất để giải bài toàn phân lớp một lớp - Phân lớp dữ liệu hình ảnh một lớp ứng dụng trong các hệ thống giám sát lỗi
h ình sinh (Generative model) Đây là phương pháp phổ biến nhất để giải bài toàn phân lớp một lớp (Trang 17)
Hình 2.2: Cấu trúc mạng nơ-ron nhân tạo cơ bản - Phân lớp dữ liệu hình ảnh một lớp ứng dụng trong các hệ thống giám sát lỗi
Hình 2.2 Cấu trúc mạng nơ-ron nhân tạo cơ bản (Trang 20)
Hình 2.1: Cấu trúc sinh học của một nơ-ron - Phân lớp dữ liệu hình ảnh một lớp ứng dụng trong các hệ thống giám sát lỗi
Hình 2.1 Cấu trúc sinh học của một nơ-ron (Trang 20)
Hình 2.3: Bộ lọc cạnh - Phân lớp dữ liệu hình ảnh một lớp ứng dụng trong các hệ thống giám sát lỗi
Hình 2.3 Bộ lọc cạnh (Trang 22)
Hình 2.6: Kích thước ảnh giữ nguyên 5x5 sau khi thêm vùng đệm kích thước 1 - Phân lớp dữ liệu hình ảnh một lớp ứng dụng trong các hệ thống giám sát lỗi
Hình 2.6 Kích thước ảnh giữ nguyên 5x5 sau khi thêm vùng đệm kích thước 1 (Trang 23)
Hình 2.5: Kích thước ảnh giảm từ 5x5 về 3x3 sau khi áp dụng bộ lọc 3x3 - Phân lớp dữ liệu hình ảnh một lớp ứng dụng trong các hệ thống giám sát lỗi
Hình 2.5 Kích thước ảnh giảm từ 5x5 về 3x3 sau khi áp dụng bộ lọc 3x3 (Trang 23)
Hình 2.7: Ảnh minh họa tầng gộp - Phân lớp dữ liệu hình ảnh một lớp ứng dụng trong các hệ thống giám sát lỗi
Hình 2.7 Ảnh minh họa tầng gộp (Trang 24)
Trong mạng nơ-ron tích chập, việc huấn luyện mô hình thật ra là việc cập nhật trọng số của mạng sao cho các đặc trưng được trích xuất phù hợp để sử dụng phân lớp ảnh - Phân lớp dữ liệu hình ảnh một lớp ứng dụng trong các hệ thống giám sát lỗi
rong mạng nơ-ron tích chập, việc huấn luyện mô hình thật ra là việc cập nhật trọng số của mạng sao cho các đặc trưng được trích xuất phù hợp để sử dụng phân lớp ảnh (Trang 25)
Hình 2.9: Kiến trúc mạng ResNet18 2.2.5 Kiến trúc mạng nơ-ron VGG16 - Phân lớp dữ liệu hình ảnh một lớp ứng dụng trong các hệ thống giám sát lỗi
Hình 2.9 Kiến trúc mạng ResNet18 2.2.5 Kiến trúc mạng nơ-ron VGG16 (Trang 26)
VGG16[11] là mô hình của nhóm tác giả Karen Simonyan và Andrew Zisserman đề xuất trong cuộc thi ILSVRC 2014 - Phân lớp dữ liệu hình ảnh một lớp ứng dụng trong các hệ thống giám sát lỗi
16 [11] là mô hình của nhóm tác giả Karen Simonyan và Andrew Zisserman đề xuất trong cuộc thi ILSVRC 2014 (Trang 26)
Hình 4.1: Các vật thể và kiểu cấu trúc trong tập dữ liệu MVTecAD 4.2 Tiêu chuẩn đánh giá - Phân lớp dữ liệu hình ảnh một lớp ứng dụng trong các hệ thống giám sát lỗi
Hình 4.1 Các vật thể và kiểu cấu trúc trong tập dữ liệu MVTecAD 4.2 Tiêu chuẩn đánh giá (Trang 35)
Hình 4.2: Các tỉ lệ dùng trong các độ đo điểm trên ROC mà gần với điểm giá trị (FPR, TPR)=(0,1). - Phân lớp dữ liệu hình ảnh một lớp ứng dụng trong các hệ thống giám sát lỗi
Hình 4.2 Các tỉ lệ dùng trong các độ đo điểm trên ROC mà gần với điểm giá trị (FPR, TPR)=(0,1) (Trang 36)
Hình 4.3: Kiến trúc mô hình ResNet18 - Phân lớp dữ liệu hình ảnh một lớp ứng dụng trong các hệ thống giám sát lỗi
Hình 4.3 Kiến trúc mô hình ResNet18 (Trang 37)

TRÍCH ĐOẠN

Phân lớp một lớp dùng mô hình phân phối vùng Kết quả thực nghiệm Kết quả thực nghiệm trên tập dữ liệu SMVTecAD

TÀI LIỆU CÙNG NGƯỜI DÙNG

TÀI LIỆU LIÊN QUAN