Transfer Learning for Image Processing Applications

Abstract: Att träna neurala nätverk tar mycket tid och kan kräva extrema mängder data. Både träningstiden och mängden data som behövs kan minskas med transfer learning. I detta examensarbete studeras effekterna av transfer learning när ett neurala nätverk tränas på en liten datamängd. VGG16, MobileNeV3 och SqeezeNet används som förtränade modeller. Modellerna modifierades för att passa den nya datasetet. Ytterligare modifieringar gjordes för att testa om det kunde förbättra generaliseringen och minska träningstiden. Experimenten visade att transfer learning kan minska träningstiden och resulterade i modeller med bättre generalisering än slumpmässigt initialiserade modeller. Experimenten visade också att en modifierad version av SqeezeNet är den mest framgångsrika modellen.