Högskolan i Skövde

Det här arbetet undersökte korsbefruktning av dataaugmenteringsmetoder och dess påverkan på ett ANN under träning, med ett par nödvändiga begränsningar. De dataaugmenteringsmetoder som användes var elastic distortion och affine distortion. Det ANN som testades var ett CNN. Datan vid träning och testning var lågupplösta bilder av handskrivna siffror från MNIST (LeCun, Cortes & Burges 1998). Testerna utfördes på två olika datamängder, ”stor” (60.000 bilder) och ” iten” (5.000 bilder) datamängd.

En specificerad testmiljö utvecklades för att verifiera att det skapade CNN:ets resultat efterliknar tidigare CNN som använts sig av samma databas. Arbetet använde sig av två dataaugmenteringsmetoder som tidigare rapporterats ha förbättrat nätverk. Korsbefruktningen skedde mellan dessa två metoder för att se om det gav ett ännu bättre resultat.

I detta arbete kunde ett t-test inte vissa på någon signifikant skillnad mellan korsbefruktning och arbetets bästa dataaugmenteringsmetod på stor datamängd. Däremot på liten datamängd fanns det en signifikant skillnad på arbetets bästa dataaugmenteringsmetod och korsbefruktningen, med ett bättre resultat. Det bör däremot noteras att de bästa resultaten i detta arbete var producerade med hjälp av korsbefruktning.

Det finns grund för fortsatt forskning som kan producera mer resultat och bevisa eller motbevisa om korsbefruktning kan hjälpa. Det är också relevant att undersöka andra dataaugmenteringsmetoder eller fler dataaugmenteringsmetoder med andra korsbefruktningar. Dessutom finns det fler datastorlekar och andra former av data som är intressanta att undersöka.