Uporaba umetnih nevronskih omrežij za rekonstrukcijo spektralnih vrednosti barvnih slikLazar, Mihael (Avtor) Hladnik, Aleš (Mentor) rekonstrukcija spektra refleksijeumetno nevronsko omrežjevpliv hiperparametrovrazširjena učna množicanelinearnost vzporednih kanalov kamervzvratno razširjanjegrafična procesna enotaalgoritem Levenberg-Marquardtpolinomska aproksimacijaBarvo objektov najpogosteje opišemo s slikami, zajetimi s komercialno RGB kamero. Tak opis je odvisen od lastnosti naprave in osvetlitve objekta. Od teh dejavnikov je neodvisen opis objekta s spektrom refleksije, katerega zajem za točkovne odčitke omogoča spektrofotometer, in za večje objekte multispektralna ali hiperspektralna kamera. Te so drage, kar spodbuja raziskave glede možnosti preslikave posnetkov RGB kamere v spekter refleksije. Predlaganih je bilo mnogo metod, od popolnoma matematičnih modelov do pristopov z modeliranjem umetnih nevronskih omrežij (UNO) različnih arhitektur in kompleksnosti. Večina pristopov za modeliranje potrebuje podatke o lastnostih kamere in osvetlitvi. Pri metodi z uporabo UNO, predstavljeni v naši raziskavi, ki temelji na enostavnem polno povezanem nevronskem omrežju z nelinearnimi aktivacijskimi funkcijami nevronov v skritih plasteh, ter manjšim številom vhodov in večjim številom izhodov za modeliranje ne potrebujemo znanja o značilnostih kamere, njenih tipal in osvetlitvi, saj podatke za učenje UNO pridobimo s hkratnim zajemom objekta in referenčnih vzorcev. Posebna pozornost je bila usmerjena v ugotavljanje vplivov hiperparametrov na uspešnost rekonstrukcije spektra refleksije z modeli UNO glede na izbor učnega algoritma, velikost učne množice, število vhodnih podatkov – RGB odčitkov oz. število kamer, število nevronov v skritih plasteh in število skritih plasti, pri čemer smo postavili pet izhodiščnih delovnih hipotez in njihovo pravilnost raziskali v treh korakih, opisanih v člankih revij z indeksom SCI. Verjetnost iskanja uspešnih modelov UNO se z več iteracijami modeliranja pri izbrani konfiguraciji povečuje, a iskanje uspešnejših modelov je časovno zahtevno. Predlagana sta bila pristopa za učinkovitejše iskanje modelov UNO – prvi postopek s hitrejšim, a manj učinkovitim algoritmom učenja enoplastnih UNO, ki se izvaja na grafičnem procesorju, zoži območje iskanja za drugi, počasnejši, a učinkovitejši algoritem, ki se izvaja na centralni procesni enoti, in drugi postopek, ki glede na izbor hiperparametrov modelov UNO in izbor kriterijske funkcije predlaga center iskanja – število nevronov v skritih plasteh –, okoli katerega v ožji okolici iščemo najučinkovitejše modele UNO.20242024-01-23 09:00:05Doktorsko delo/naloga154067VisID: 98053sl