Dziļās mašīnmācīšanās pielietojumi lietišķajā dotorredzē: attēlu izpratnes uzdevumu risināšana ar konvolūciju neironu tīkliem

Abstract

Promocijas darbā tiek pētīti dziļās mašīnmācīšanās metožu pielietojumi attēlu izpratnes uzdevumu - attēlu klasifikācijas, objektu atpazīšanas un semantiskās segmentācijas - risināšanai. Darba pamatu veido eksperimenti ar konvolūciju neironu tīkliem lietišķo attēlu izpratnes problēmu risināšanai: roku mazgāšanas kustību atpazīšanai, lai izstrādātu sistēmu roku higiēnas novērošanai, ielu skatu semantiskai segmentācijai, kas ir svarīgs uzdevums pašbraucošo automašīnu navigācijas sistēmām, plastmasas pudeļu atpazīšanai, lai tās varētu satvert robota roka, un mikroskopijas attēlu klasifikācijai, lai automatizētu orgānu uz čipa audzēšanas novērošanu. Darbā tiek piedāvāti efektīvi risinājumi aplūkotajiem uzdevumiem, kā arī tas veicina labāku izpratni par metodoloģiskajiem izaicinājumiem dziļās mašīnmācīšanās jomā.

This thesis investigates the application of deep learning methods to image understanding tasks such as image classification, object detection, and semantic segmentation. The work is based on experiments with convolutional neural networks for applied image understanding problems: handwashing motion recognition for hand hygiene monitoring, semantic segmentation of street views, an important task for navigation systems of self-driving cars, plastic bottle recognition for grasping by a robot hand, and microscopy image classification for automated monitoring of organ-on-a-chip growth. The work proposes efficient solutions to the considered tasks and contributes to a better understanding of the methodological challenges in deep learning.