低成本优化U-Net模型与GMM自动标签用于森林语义细分
Alexandru-Toma Andrei1, Ovidiu Grigore1
1Electronics, Telecommunications & Information Technology Faculty, Polytechnic University of Bucharest, 060042 Bucharest, Romania.
Sensors (Basel, Switzerland)
|November 14, 2023
概括
本研究介绍了一种使用高斯混合模型 (GMM) 来生成卷积神经网络 (CNN) 训练数据的自动方法,优化U-Net模型以进行高效的图像分析并减少资源需求.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 图像处理 图像处理
背景情况:
- 卷积神经网络 (CNN) 对于图像分析任务,如分类和细分至关重要.
- 训练最先进的CNN需要大型,标记良好的数据集,这些数据集往往是昂贵的,手动创建需要很长时间.
- 手动数据标签是开发用于图像分析的高效深度学习模型的一个重要瓶.
研究的目的:
- 为卷积神经网络 (CNN) 创建培训标签的自动化方法提出建议.
- 优化U-Net模型的超参数,以在性能和结构复杂性之间取得平衡.
- 为图像分析应用开发一个低成本,高效的系统.
主要方法:
- 实现了使用高斯混合模型 (GMM) 进行自动标签生成的无监督集群技术.
- 优化了U-Net模型的超参数,以提高效率和减少复杂性.
- 在使用空中图像对森林砍伐监测任务应用和测试开发的方法.
主要成果:
- 提出的基于GMM的方法显著减少了数据标签所需的资源和计算时间.
- 优化U-Net模型实现了高精度和降低模型复杂度之间的平衡.
- 该系统在用于森林砍伐监测的航空图像中识别森林方面表现出有效性.
结论:
- 使用GMM的自动标签生成为CNN培训提供了手动标签的可行替代方案.
- 对U-Net模型的超参数优化可以导致更高效和更具成本效益的深度学习系统.
- 开发的方法成功地解决了资源密集型图像分析任务的挑战,例如森林砍伐监测.
