Simple view
Full metadata view
Authors
Statistics
Convolutional Neural Networks on a small dataset - case study
Convolutional neural networks for mouse cardiovascular classification task
uczenie maszynowe, convolutional neural networks, MRI
machine learning, convolutional neural networks, MRI
Konwolucyjne sieci neuronowe bardzo dobrze radzą sobie z rozpoznawaniem obrazów, ale wymagają dużej ilości danych do nauki. W pracy przedstawiono wyniki próby oceny stanu układu sercowo-naczyniowego myszy na podstawie skanów MRI. Największym wyzwaniem był mały zbiór danych. Sprawdzono wiele różnych podejść, ale żadne z nich nie dało zadowalających rezultatów. Augmentacje danych i uczenie transferowe nieznacznie poprawiły wyniki, ale nie były w stanie skompensować wyjątkowo małego zbioru danych.
Convolutional neural networks perform very well on a variety of image recognition issues, but they require a lot of data to train on. This paper presents the results of the attempt to assess mice cardiovascular system condition based on MRI scans. The bigest challange was a small dataset. A lot of different aproaches was checked but non of them give satisfactory results. Data Augmentations and Transfer Learning slightly improved the results but they could not compensate extreamly small dataset.
| dc.abstract.en | Convolutional neural networks perform very well on a variety of image recognition issues, but they require a lot of data to train on. This paper presents the results of the attempt to assess mice cardiovascular system condition based on MRI scans. The bigest challange was a small dataset. A lot of different aproaches was checked but non of them give satisfactory results. Data Augmentations and Transfer Learning slightly improved the results but they could not compensate extreamly small dataset. | pl |
| dc.abstract.pl | Konwolucyjne sieci neuronowe bardzo dobrze radzą sobie z rozpoznawaniem obrazów, ale wymagają dużej ilości danych do nauki. W pracy przedstawiono wyniki próby oceny stanu układu sercowo-naczyniowego myszy na podstawie skanów MRI. Największym wyzwaniem był mały zbiór danych. Sprawdzono wiele różnych podejść, ale żadne z nich nie dało zadowalających rezultatów. Augmentacje danych i uczenie transferowe nieznacznie poprawiły wyniki, ale nie były w stanie skompensować wyjątkowo małego zbioru danych. | pl |
| dc.affiliation | Wydział Matematyki i Informatyki | pl |
| dc.area | obszar nauk ścisłych | pl |
| dc.contributor.advisor | Tabor, Jacek - 132362 | pl |
| dc.contributor.author | Czarska, Gabriela | pl |
| dc.contributor.departmentbycode | UJK/WMI2 | pl |
| dc.contributor.reviewer | Tabor, Jacek - 132362 | pl |
| dc.contributor.reviewer | Micek, Piotr - 142050 | pl |
| dc.date.accessioned | 2022-10-31T22:54:14Z | |
| dc.date.available | 2022-10-31T22:54:14Z | |
| dc.date.submitted | 2022-10-28 | pl |
| dc.fieldofstudy | informatyka analityczna | pl |
| dc.identifier.apd | diploma-162905-213081 | pl |
| dc.identifier.uri | https://ruj.uj.edu.pl/xmlui/handle/item/303140 | |
| dc.language | eng | pl |
| dc.source.integrator | false | |
| dc.subject.en | machine learning, convolutional neural networks, MRI | pl |
| dc.subject.pl | uczenie maszynowe, convolutional neural networks, MRI | pl |
| dc.title | Convolutional Neural Networks on a small dataset - case study | pl |
| dc.title.alternative | Convolutional neural networks for mouse cardiovascular classification task | pl |
| dc.type | master | pl |
| dspace.entity.type | Publication |