Презентация на тему «Классификация аэрофотоснимков: Transfer Learning и ансамбли»
Презентация о решении задачи классификации спутниковых снимков с использованием Transfer Learning, аугментации данных и ансамблирования моделей.
- 30 октября 2026 г.
- 10 слайдов
Слайд 1 из 10
О презентации
Данная презентация посвящена решению задачи классификации аэрофотоснимков, основанной на соревновании Kaggle. Рассматривается датасет из 4999 обучающих, 699 валидационных и 8299 тестовых изображений размером 256x256 пикселей, с целью классификации на 20 классов. Основная сложность заключается в визуальной схожести некоторых классов, таких как жилые зоны и водоемы, а также в ограниченном объеме размеченных данных.
В презентации подробно описывается процесс отбора и дообучения моделей. Начинается с отказа от базовых моделей (MLP, Simple CNN) из-за их неспособности улавливать пространственные признаки и склонности к переобучению. Далее рассматриваются архитектуры Transfer Learning: ResNet (Val Acc 93.1%), Inception V3 (92.7%) и VGG11 (92.0%). Особое внимание уделяется продвинутым техникам аугментации данных, включая ротацию, ColorJitter, RandomAffine и RandomErasing, а также методам борьбы с дисбалансом классов (Oversampling) и Test-Time Augmentation (TTA) для повышения стабильности предсказаний. Финальный результат достигается путем взвешенного усреднения вероятностей (Soft Voting) трех лучших моделей, что позволило получить итоговую точность ансамбля 94.2%.
Категория: Наука и природа · Язык: русский
Содержание
- 1Обложка
- 2Введение и задача
- 3Отказ от базовых моделей
- 4Использованные архитектуры (Fine-tuning)
- 5Продвинутая аугментация данных
- 6Работа с дисбалансом классов
- 7TTA (Test-Time Augmentation)
- 8Финальный ансамбль
- 9Результаты
- 10Выводы
Когда пригодится эта презентация
- Доклад по биологии, физике или химии
- Проектная работа
- Научная конференция школьников
Вопросы и ответы
Какие основные сложности при классификации аэрофотоснимков?
Основными сложностями являются визуальная схожесть различных классов (например, жилых зон и водоемов) и ограниченный объем размеченных данных. Это требует применения продвинутых методов машинного обучения для достижения высокой точности.
Сколько слайдов в презентации?
Презентация состоит из 10 слайдов, включая обложку, введение, описание методов, результаты и выводы. Каждый слайд посвящен отдельному аспекту решения задачи классификации.
Какие модели использовались для классификации?
В презентации рассматриваются базовые модели MLP и Simple CNN, которые показали низкую эффективность. Основной упор делается на архитектуры Transfer Learning: ResNet, Inception V3 и VGG11, которые были дообучены (fine-tuning) для решения задачи.
Как была улучшена точность моделей?
Точность была улучшена за счет применения Transfer Learning, продвинутой аугментации данных (включая ротацию и ColorJitter), методов борьбы с дисбалансом классов (Oversampling) и Test-Time Augmentation (TTA). Финальный результат достигнут с помощью взвешенного ансамбля моделей.
Где могут быть применены результаты данной презентации?
Результаты и методы, описанные в презентации, могут быть применены в задачах дистанционного зондирования Земли, мониторинга окружающей среды, городского планирования, сельского хозяйства и картографии, где требуется автоматическая классификация больших объемов спутниковых или аэрофотоснимков.
Похожие презентации
Не нашли подходящую презентацию?
Напишите свою тему, и план, тексты и картинки будут готовы за пару минут.
Создать презентацию