En jämförande studie av regulariserade neurala nätverk med tillämpning på bildklassificering
Typ
Examensarbete för kandidatexamen
Program
Publicerad
2020
Författare
Johansson, Eric
Krook Willén, Björn
Persson, Aladdin
Sajland, Marcus
Modellbyggare
Tidskriftstitel
ISSN
Volymtitel
Utgivare
Sammanfattning
Denna rapport fokuserar på jämförelsen mellan olika regulariseringstekniker av artificiella neurala
nätverk applicerade på klassificering av bilddata. Regulariseringsmetoderna som använts
är L2-regularisering och dropout, och dessa har jämförts med icke-regulariserande neurala
nätverk. Ett neuralt nätverk programmerades från grunden i MATLAB som initialt användes,
men för effektivare träning av större nätverk användes Pytorch ramverket. Dataseten
som undersöks är MNIST, MNIST-Fashion, CIFAR10 och ett hudcancer-dataset från ISIC.
Två simulerade dataset i 2D användes också för att få en visuell idé om hur regularisering
påverkar nätverket. Resultaten visar att regularisering ger bättre generalisering, men också
att nätverksarkitekturen kan ha stor påverkan och en regulariserande effekt. Med tillämpning
på hudcancer-data ser vi att dropout ger bäst generalisering i fallet av konvolutionella och
feedforward neurala nätverk samt noterar att modellens prestation är nära toppmodern och
erhåller resultat i linje med dermatologer och läkare i klassificiering av hudcancer.