Czasopismo | PRZEGLĄD TELEKOMUNIKACYJNY - WIADOMOŚCI TELEKOMUNIKACYJNE | Rocznik 2024 - zeszyt 4

ANALIZA PORÓWNAWCZA WYDAJNOS´CI ARCHITEKTURY GLĘEBOKIEGO UCZENIA SIE W KLASYFIKACJI OBRAZO´W PODWODNYCH

COMPARITIVE PERFORMANCE ANALYSIS OF DEEP LEARNING ARCHITECTURES IN UNDERWATER IMAGE CLASSIFICATION

10.15199/59.2024.4.39

nr katalogowy: 150428
10.15199/59.2024.4.39

Streszczenie

W tym badaniu oceniamy wydajno´s´c modeli VGG-16, EfficientNetB0 i SimCLR w klasy- fikacji 5000 podwodnych zdje´c. Zbio´r danych podzielono na 75 procent do celo´w szkoleniowych i 25 procent do testo´w, przy czym reczne etykietowanie zapew- niało dokładne odwzorowanie podstaw. Zastosowali´smy grupowanie K-´srednich do segmentacji zbioru danych na podstawie podobien´stwa oraz PCA w celu zm- niejszenia wymiarowo´sci przy jednoczesnym zachowaniu struktury semantycznej. Zro´z˙nicowany zbio´r danych zwieksza zdolno´s´c modeli do uogo´lniania w ro´z˙nych warunkach. Ocenili´smy grupowanie i klasyfikacje za pomoca wyniku sylwetki, wska´znika Daviesa-Bouldina i wska´znika Calinskiego-Harabasza. Wyniki ujawniaja mocne i słabe strony kaz˙dego modelu, dostarczajac infor- macji na temat przyszłych ulepszen´ w analizie obrazo´w podwodnych

Abstract

In this study, we assess the performance of the VGG-16, EfficientNetB0, and SimCLR models in clas- sifying 5,000 underwater images. The dataset was split into 75 perceent for training and 25 percent for testing, with manual labeling ensuring accurate ground truth. We used K-means clustering to segment the dataset based on similarity, and PCA to reduce dimensionality while maintaining the semantic structure. The diverse dataset boosts the models’ ability to generalize across various con- ditions. We evaluated clustering and classification using the silhouette score, Davies-Bouldin index, and Calinski- Harabasz index. The results reveal each model’s strengths and weaknesses, providing insights for future improve- ments in underwater image analysis

Słowa kluczowe

Keywords

Bibliografia

[1] Qayyum, W.; Ehtisham, R.; Bahrami, A. R. Assess- ment of Convolutional Neural Network pre-trained in 2023 materials, MDPI pages 1-16.
[2] Krizhevsky, A.; Sutskever, I.; Hinton, G. E. Ima- geNet classification with deep neurons proceedings in NeuraIPS 2024.pages 1-9
[3] Tan, M.; Le, Q. V. EfficientNet: Rethinking model scaling for Convolutional Neural Networks in 2020 in arxiv journal , pages 1-11
[4] Howard, A. G.; Zhu, M.; Chen, B. MobileNets: Effi- cient Convolutional Neural Networks for Mobile Vi- sion in MobileNets 2017, page 1-9
[5] Shah, S. R.; Qadri, S.; Bibi, H.; Shah, S. M. W.; Sharif, M. I.; Marinello, F. Comparing inception v3, VGG-16, VGG 19, CNN, and ResNet 50: A case study on early detection of a rice disease in agron- omy, MDPI in 2023,pages 1-13.
[6] Katari, R.; Kaza, S. A Comparative Analysis of Vari- ant Deep Learning Models for COVID-19 Protective Face Mask Detection in 2021 in Turkish Journal of Computer and Mathematics Education, page 1-8
[7] Shi, C.; Wei, B.; Wei, S.; Wang, W.; Liu, H.; Liu, J. A quantitative discriminant method of elbow point for the optimal number of clusters in Clustering Al- gorithm - EURASIP Journal on Wireless Communi- cations and networking in 2021 in EURASIP Journal on wireless communication and networking, pages 1- 16

Prenumerata

PRZEGLĄD TELEKOMUNIKACYJNY - prenumerata cyfrowa
licencja: Osobista

Produkt cyfrowy
Nowość

300.00 zł

PRZEGLĄD TELEKOMUNIKACYJNY - papierowa prenumerata roczna + wysyłka
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD TELEKOMUNIKACYJNY - papierowa prenumerata roczna	348.00 zł brutto 322.22 zł netto 25.78 zł VAT (stawka VAT 8%)
PRZEGLĄD TELEKOMUNIKACYJNY - pakowanie i wysyłka	21.00 zł brutto 17.07 zł netto 3.93 zł VAT (stawka VAT 23%)

369.00 zł

PRZEGLĄD TELEKOMUNIKACYJNY - PAKIET prenumerata PLUS
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD TELEKOMUNIKACYJNY - PAKIET prenumerata PLUS (Prenumerata papierowa + dostęp do portalu sigma-not.pl + e-prenumerata)	450.00 zł brutto 416.67 zł netto 33.33 zł VAT (stawka VAT 8%)

450.00 zł

Open Access

Zeszyt

2024-4

Twój Koszyk

Prenumerata

Open Access

Zeszyt

Czasopisma