Tekstūru klasifikācija ar mākslīgiem neironu tīkliem

Abstract

Tekstūras analīze ir kritiska daļa datorredzes jomā ar plašiem pielietojumiem dažādās sfērās kā medicīnā, rūpniecībā un attēlu apstrādē. Tradicionālie konvolūciju neironu tīklu modeļi bieži uzrāda nepietiekamus rezultātus tekstūru klasifikācijas uzdevumos, jo tie galvenokārt fokusējas uz globālajām formām un sarežģītām augsta līmeņa iezīmēm, nevis lokālām un atkārtojošām tekstūras pazīmēm. Izstrādātajā darbā tika pētītas un testētas metodes tekstūru klasifikācijas uzlabošanai, īpaši koncentrējoties uz specializētu tekstūras iezīmju iegūšanas pieeju un algoritmu integrāciju ar modernām neironu tīklu arhitektūrām. Tādējādi nodrošinot efektīvāku tekstūras informācijas apstrādi un būtiski uzlabojot klasifikācijas precizitāti dažādos tekstūras atpazīšanas uzdevumos.

Texture analysis is a critical component in the field of computer vision, with extensive applications in various areas such as medicine, industry, and image processing. Traditional convolutional neural network models often yield insufficient results for texture classification tasks because they primarily focus on global shapes and complex high-level features rather than on local and repetitive texture patterns. In this work, methods for improving texture classification were investigated and tested, with a particular focus on specialized approaches for extracting texture features and integrating algorithms with modern neural network architectures. This ensures more efficient processing of texture information and significantly improves classification accuracy in various texture recognition tasks.