Исследование эффективности различных методов обучения моделей классификации изображений в условиях малой обучающей выборки (few-shot learning) на примере классификации болезней растений

• Alexander Uzhinskiy (JINR)

Room: MLIT-134/3-310 - Комната семинаров Сверточные нейронные сети уже более десяти лет успешно используются для классификации изображений. Раньше для получения хороших результатов требовались десятки тысяч изображений на класс. Сейчас, используя few-shot и one-shot подходы к обучению, можно получить модель с неплохими показателями, даже когда имеется всего несколько изображений на класс. На семинаре будут даны общие понятия нейронных сетей, сверточных нейронных сетей, методов подготовки данных и обучения моделей, подходов к обучению в условиях малой обучающей выборки и результаты проводимых исследований, связанных с классификацией болезней растений. __Evaluation of Different Few-Shot Learning Methods for Plant Disease Classification__ Convolutional neural networks (CNNs) have been successfully used for image classification for over a decade. Previously, achieving good results required tens of thousands of images per class. Now, using few-shot and one-shot learning approaches, it is possible to obtain a model with decent performance even when only a few images per class are available. The seminar will cover general concepts of neural networks, convolutional neural networks, methods for data preparation and model training, approaches to training under few-shot learning conditions, and the results of studies related to plant disease classification.