Duboko učenje

Duboko učenje je novi metod mašinskog učenja. Zbog svoje specifičnosti i odličnih performansi u obradi slike često se posmatra kao zasebna oblast u okviru veštačke inteligencije. Najbolje radi na velikim skupovima podataka koji imaju multi-dimenzionalne karakteristike, sa kakvim se često susrećemo na BioSensu.

 

U prvu grupu podataka koje posedujemo spadaju hiperspektralne, multispektralne i termalne slike, napravljene u laboratoriji ili na terenu. Cilj njihove obrade je segmentacija slike i prepoznavanje karakterističnih obrazaca, kao što su počeci truljenja i fizička oštećenja na jabukama, infekcija peteljke paradajza ili detektovanje klasova pšenice. Brojne arhitekture su testirane sa različitim parametrima, poput broja konvolucionih i potpuno povezanih slojeva, vrsta aktivacionih funkcija i slučajne eliminacije dela mreže da bi se izbeglo preučenje. Svaka arhitektura je optimizovana za specifičan problem, uzimajući u obzir veličinu slika i broj uzoraka u bazi podataka.

 

 

Druga grupa skupa podataka se sastoji od merenja čestica u vazduhu pomoću uređaja Rapid-E, prvog automatskog detektora čestica zasnovanog na tzv. LIF (eng. laser-induced fluorescence) tehnologiji. LIF tehnologija beleži raspršene fluroscentne obrasce svetlosti i lasera, koji predstavljaju oblik i hemijski otisak čestica. U ovom slučaju se koristi jedan od primera dubokih neuronskih mreža (DNN) koje se najviše oslanjaju na konvolucione slojeve, zbog njihove sposobnosti da obrade skupove podataka koji potiču iz različitih izvora.

 

U oba slučaja, predobrada je jedan od najvažnijih koraka, jer su zašumljeni i nestandardni uzorci veoma teški za analizu. Takođe, važno je istaći da svaki problem zahteva drugačije, prilagođeno rešenje, čija složenost odgovara veličini i složenosti skupova podataka i čija tačnost mora opravdati vreme učenja i izvršavanja algoritma.