| Studiju veids |
bakalaura akadēmiskās studijas |
| Studiju programmas nosaukums |
Datorsistēmas |
| Nosaukums |
Elastīga mašīnmācīšanās modeļa izstrāde mikroskopisko attēlu analīzei ar minimālām pielāgošanas prasībām |
| Nosaukums angļu valodā |
Development of a Flexible Machine Learning Model for Microscopic Image Analysis with Minimal Adjustment Requirements |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Arnis Staško |
| Recenzents |
Aleksandrs Sisojevs |
| Anotācija |
Darbā tiek pētīta dziļās mācīšanās metodes pielietošana ziedputekšņu atpazīšanai mikroskopiskos attēlos, izmantojot segmentācijas pieeju. Ziedputekšņu klasifikācija un strukturālā analīze mikroskopijā ir būtiska gan vides pētījumos, gan alerģiju diagnostikā un botānikā, taču manuāla attēlu analīze ir laikietilpīga un prasa augstu precizitāti. Šī darba mērķis bija izstrādāt un pielāgot dziļās mācīšanās modeli, kas varētu efektīvi identificēt un segmentēt ziedputekšņus, vienlaikus saglabājot iespēju modeli viegli pārkonfigurēt citu līdzīgu uzdevumu risināšanai.
Modelis tika apmācīts, izmantojot paša veidotu datu kopu ar precīzām poligonālajām anotācijām YOLO formātā, kā arī papildus testēts uz publiski pieejamo Pollen13K datu kopu. Lai pielāgotu modeli, tika izmantoti klasēm atbilstoši svaru koeficienti, bet citi parametri nemainīti, izņemot attēlu izmēru, kas tika pielāgots attiecīgajam datu avotam. Šāda pieeja ļāva novērtēt modeļa pielāgojamību un atkārtoti lietojamību, neapmācot to no jauna. Rezultātā modelis spēja panākt augstu precizitāti un metrikas rādītājus, kas pārsniedza 85%, pat strādājot ar datiem, kuros bija iekļautas daļēji nekvalitatīvas anotācijas.
Darbs apliecina dziļās mācīšanās modeļa praktiskās pielietošanas iespējas mikroskopisko objektu segmentācijā un sniedz pamatu tālākai attīstībai līdzīgās zinātnes vai medicīnas jomās. |
| Atslēgas vārdi |
Datorredze, dziļā mācīšanās, segmentācija, ziedputekšņi, mikroskopija |
| Atslēgas vārdi angļu valodā |
Computer vision, deep learning, segmentation, pollen, microscopy |
| Valoda |
lv |
| Gads |
2025 |
| Darba augšupielādes datums un laiks |
27.05.2025 17:55:34 |
