Wpływ metody uczenia stopniowego w procesie pracy z sieciami neuronowymi i zbiorami niezbalansowanymi

Abstract

Największym wyzwaniem dotyczącym zbioru danych w klasyfikacji zmian skórnych jest przede wszystkich brak standaryzacji zdjęć dermatoskopowych w kontekście technologii, technik i warunków ich wykonywania. Dodatkowo zbiory te są wysoce niezbalansowane, co przyczynia się do nadmiernego dopasowania się modelu do najliczniejszej klasy. Niniejsza praca miała na celu wykorzystanie metody uczenia stopniowego oraz tzw. „bootstrapu” w kontekście zbioru danych oraz zbadanie wpływu powyższych metod na dokładność stworzonego modelu. Do eksperymentów została zaimplementowana konwolucyjna sieć neuronowa bazująca na architekurze VGG-16. Zaobserwowano pozytywny wpływ metody uczenia stopniowego na dokładność klasyfikatora, a połączenie jej z metodą bootstrap’u zwiększa w szczególności dokładność przy klasyfikacji klas mniej licznych.