| Studiju veids |
bakalaura akadēmiskās studijas |
| Studiju programmas nosaukums |
Informācijas tehnoloģija |
| Nosaukums |
Anotāciju-efektīva augļu un dārzeņu atpazīšana, izmantojot pašuzraudzītu pirmsapmācību un aktīvo mācīšanos |
| Nosaukums angļu valodā |
Annotation-Efficient Fruit and Vegetable Recognition via Self-Supervised Pretraining and Active Learning |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Sergejs Paršutins |
| Recenzents |
Jurijs Čižovs |
| Anotācija |
Darbs ir veltīts anotāciju efektīvas augļu un dārzeņu atpazīšanas metožu izpētei, izmantojot pašuzraudzītu pirmsapmācību un aktīvo mācīšanos. Mūsdienu datorredzes modeļiem parasti nepieciešams liels manuāli marķētu datu apjoms, kura sagatavošana ir laikietilpīga un resursietilpīga, tāpēc darbā tiek pētītas pieejas, kas ļauj samazināt nepieciešamo anotāciju daudzumu. Darba mērķis ir novērtēt, cik efektīvi iespējams veikt attēlu klasifikāciju ar ierobežotu marķēto datu apjomu, izmantojot pašuzraudzītu pirmsapmācību un aktīvās mācīšanās stratēģijas. Darbā tika izmantoti Fruits-360 un Open Images datu kopumi. Pašuzraudzītajai pirmsapmācībai tika izmantota SimCLR metode ar ResNet-50 arhitektūru, savukārt aktīvās mācīšanās posmā tika salīdzinātas random sampling, uncertainty sampling un margin sampling stratēģijas. Eksperimenti tika veikti ar dažādiem anotāciju apjomiem no 5% līdz 100% no train datu kopas. Iegūtie rezultāti parādīja, ka modeļi ar pašuzraudzītu pirmsapmācību spēj sasniegt augstāku klasifikācijas precizitāti pie ierobežota marķēto datu apjoma salīdzinājumā ar apmācību no nulles. Tika secināts, ka pašuzraudzītā pirmsapmācība būtiski uzlabo modeļa spēju atpazīt attēlu pazīmes, savukārt atšķirības starp aktīvās mācīšanās stratēģijām konkrētajos eksperimentos bija salīdzinoši nelielas. |
| Atslēgas vārdi |
pašuzraudzītā mācīšanās, aktīvā mācīšanās, attēlu klasifikācija, datorredze, dziļā mācīšanās, SimCLR, ResNet-50, fine-tuning, anotāciju efektivitāte, Open Images |
| Atslēgas vārdi angļu valodā |
self-supervised learning, active learning, image classification, computer vision, deep learning, SimCLR, ResNet-50, fine-tuning, annotation efficiency, Open Images |
| Valoda |
lv |
| Gads |
2026 |
| Darba augšupielādes datums un laiks |
27.05.2026 00:10:37 |
