Исследование бинарной классификации в задаче поиска штриховых кодов с использованием слабо-размеченных данных
Автор: Звонарев Д.А.
Журнал: Труды Московского физико-технического института @trudy-mipt
Рубрика: Информатика и управление
Статья в выпуске: 1 (57) т.15, 2023 года.
Бесплатный доступ
Поиск штриховых кодов на основе построения карты активации классов использует несколько нейросетевых моделей бинарной классификации. Кроме классической архитектуры нейросети с одним нейроном и сигмоидной функцией активации можно использовать два нейрона и функцию активации Softmax. В данной работе исследуется влияние этого фактора на качество поиска штрихкодов с использованием слаборазмеченных данных. Наилучшее качество поиска получается при использовании двух нейронов в полносвязном слое модели бинарной классификации: 0,725 precision, 0,674 recall, 0,698 F1, качество при использовании одного нейрона: 0,574 precision, 0,573 recall, 0,573 F1.
Сверточная нейронная сеть, штриховой код, штрих-код, бар-код, слабо-размеченные данные, глубокое обучение, детектирование, поиск объектов
Короткий адрес: https://sciup.org/142237746
IDR: 142237746
Список литературы Исследование бинарной классификации в задаче поиска штриховых кодов с использованием слабо-размеченных данных
- Zhou B., Khosla A., Lapedriza A., Oliva A., Torralba A. Learning deep features for discriminative localization // Proceedings of the IEEE conference on computer vision and pattern recognition. 2016. P. 2921-2929.
- Yao Q., Gong X. Saliency guided self-attention network for weakly and semi-supervised semantic segmentation // IEEE Access. 2020. V. 8. P. 14413-14423.
- Zhang X. Self-produced guidance for weakly-supervised object localization // Proceedings of the European conference on computer vision (ECCV). 2018. P. 597-613.
- Choe J, Shim H. Attention-based dropout layer for weakly supervised object localization // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2019. P. 2219-2228.
- Звонарев Д.А. Поиск штриховых кодов на изображениях с использованием слабо размеченных данных // Труды МФТИ. 2022. Т. 14, № 3. С. 46-56.
- Zharkov A., Vavilin A., Zagaynov I. New Benchmarks for Barcode Detection Using Both Synthetic and Real Data // International Workshop on Document Analysis Systems. 2020. P. 481-493.
