Mašininiu mokymu ir vaizdų apdorojimo algoritmais grįsto metodo kūrimas jūros dugno vaizdų analizei

Mašininio mokymo algoritmų taikymas objektų identifikavimui jūros dugno vaizdų analizės procesuose dažnu atveju nėra įmanomas arba gauti rezultatai nėra pakankamai tikslūs, dėl reikiamo kiekio duomenų neturėjimo tokiam mokymui atlikti. Darbe nagrinėjamos pagrindinės sąsūkos dirbtinių neuronų tinkluose (angl. convolutional neural network, CNN) naudojamos operacijos, skirtos objektų identifikavimui ir klasifikavimui. Sukurtas metodas, kuris paremtas vaizdų apdorojimu ir generatyvinių priešininkų tinklų (angl. generative adversarial network, GAN) algoritmų taikymu duomenų trūkumo problemai spręsti, išgaunant tapačias savybes turinčius duomenis reikalingus apmokymui. Metodo veikimui įvertinti panaudotas YOLO objektų detektorius, pasižymintis gebėjimu veikti realiuoju laiku. Pasiektas 76,2% vidutinio preciziškumo vidurkis (mAP) ir 86,6% harmoninis vidurkio (F1) rodiklis, kuriais nusakomas bendras detektoriaus našumas.

Using machine learning algorithms in seafloor imagery analysis for object detection is challenging task which often can lead to fail or the extracted results are inaccurate, mainly due to lack of dataset. In this thesis, the main operations of convolutional neural network that is used for object detection and recognition are investigated. Developed method based on image processing and generative adversarial network algorithms that solves data starvation problem by applying style transfer or generating new images. For method verification a real-time YOLO object detection system was used. 76,2% mean average precision (mAP) and 86,6% harmonic mean (F1) scores which indicates overall performance of object detection and recognition were achieved.