Klasifikacija slik s pomočjo toplotne karte pogleda

NABERGOJ, JURIJ (author), Žabkar, Jure (mentor)

Splošno namenski slikovni klasifikacijski modeli dosegajo odlične rezultate na zahtevnih podatkovnih množicah. Kljub temu je klasifikacija z malo učnimi slikami in veliko šuma zahtevna. Za praktično uporabnost klasifikacijskih modelov v takšnih okoliščinah potrebujemo dodatne teoretične in empirične vpoglede. V diplomskem delu pokažemo, da lahko klasifikacijsko točnost s šumnimi podatki in majhnimi učnimi množicami izboljšamo z uporabo toplotnih kart pogleda. Primerjamo točnost običajnih modelov s takimi, ki uporabljajo umetno generirane karte pogleda ali karte, ustvarjene s sledilnikom oči. Primerjavo opravimo na sintetičnih in realnih podatkih, kjer opazimo bistveno boljšo klasifikacijsko točnost z vzorcem 10 do 1000 učnih slik. Naši rezultati so konsistentni pri uporabi standardnih ali prednaučenih nevronskih mrež. Naše ugotovitve spodbujajo širšo uporabo kart pogleda za klasifikacijo slik z majhnimi učnimi množicami in močnim šumom.

• Language: Slovenian
• Keywords: klasifikacija slik, karte pogleda, šumni podatki, majhne učne množice
• Work type: Bachelor thesis/paper
• Typology: 2.11 - Undergraduate Thesis
• Organization: FRI - Faculty of Computer and Information Science ; FMF - Faculty of Mathematics and Physics
• Year: 2023
• PID: 20.500.12556/RUL-144754
• COBISS.SI-ID: 147963139
• Publication date in RUL: 10.03.2023

NABERGOJ, JURIJ, 2023, Klasifikacija slik s pomočjo toplotne karte pogleda [online]. Bachelor’s thesis. [Accessed 19 May 2025]. Retrieved from: https://repozitorij.uni-lj.si/IzpisGradiva.php?lang=eng&id=144754

Secondary language

• Language: English
• Title: Image classification using saliency maps

Abstract

General purpose image classification models have shown great performance on challenging benchmarks. However, classification still poses a challenge when dealing with small training sets and noisy images. Practical model usability in such scenarios requires more theoretical and empirical insights. We show that image classification accuracy on noisy data with small training sets can be improved using saliency heatmaps. We compare classification accuracies of models that use synthetic or eye-tracker generated heatmaps and models without them. We perform the comparison on synthetic and real data, where we observe substantially better accuracy with 10 to 1000 training images. Our results are consistent when using standard or pre-trained neural networks. Our findings encourage broader use of sailency maps in small data image classification with heavy noise.

• Keywords: image classification, saliency maps, noisy data, small dataset