НАВЧАННЯ МОДЕЛЕЙ КОМП’ЮТЕРНОГО ЗОРУ НА НЕВЕЛИКИХ ОБ’ЄМАХ ДАНИХ ДЛЯ ЗАДАЧІ ДИСТИЛЯЦІЇ ДАНИХ
Information Technology: Computer Science, Software Engineering and Cyber Security · 20.05.2026 · (1) · 255-260
DOI: 10.32782/it/2026-1-30 ↗Kurz gefasst
Fachartikel in der Zeitschrift Information Technology: Computer Science, Software Engineering and Cyber Security, online erschienen am 20.05.2026. Verfasst von Василь ТЕРЕЩЕНКО und 1 weiteren Autor:innen. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0).
Abstract (Originalsprache)
Традиційне тренування глибоких мереж потребує значних ресурсів на збір, розмітку та тренування, тому актуальним є пошук підходів, які забезпечують якість за малого об’єму даних. Метою роботи є дослідження проблеми навчання моделей комп’ютерного зору за умов обмеженого об’єму даних. Дана проблемою є особливо актуальною для задачі пошуку базової множини (дистиляції набору даних). Дослідження фокусується на задачі класифікації зображень і використовує показник IPC, традиційний для задачі пошуку базової множини, як міра розміру тренувальної вибірки. Об’єктом дослідження є процес навчання моделей комп’ютерного зору в умовах обмеженого обсягу даних, зокрема в контексті задачі пошуку базової множини для класифікації зображень. Предметом дослідження є методи та чинники, що впливають на якість такого навчання, зокрема: вибір архітектури моделі, вплив аугментацій даних, роль гіперпараметрів та режиму тренування моделі. Ми провели провели цільове порівняння чотирьох сімейств архітектур (MLP, ConvNet, VGG, ResNet) у режимі навчання з випадкової ініціалізації на малих IPC на датасеті ImageWoof, що є науковою новизною даної роботи. Також було проаналізовано вплив наборів аугментацій: базових геометричних і фотометричних перетворень, а також складніших схем змішування прикладів. Показано, що класичні аугментації можуть давати нестабільний ефект і за певних налаштувань погіршувати результат, тоді як CutMix забезпечує найбільш стабільний приріст для CNN-архітектур на малих IPC. Окремо досліджено навчання ResNet на дистильованій вибірці з IPC=10: продемонстровано хорошу динаміку збіжності порівняно. Для порівняння було взято випадкову підвибірку набору даних. Продемонстровано важливість довгого тренування й планувальника StepLR із регулярним зменшенням learning rate. Висновки. У результаті ми прийшли до висновку, що ефективність навчання моделей комп’ютерного зору на малих вибірках істотно залежить від вибору архітектури, аугментацій даних і режиму навчання, причому найбільш стабільне покращення результатів забезпечує використання CutMix. Отримані висновки можуть бути корисними для побудови пайплайнів навчання та для підвищення ефективності методів тренування моделей з використанням базової множини у задачах комп’ютерного зору. Практичне значення роботи полягає у рекомендаціях щодо вибору аугментацій і гіперпараметрів за умов невеликої вибірки даних.
Zitieren
APA
ТЕРЕЩЕНКО, В., & ЗАКАЛА, П. (2026). НАВЧАННЯ МОДЕЛЕЙ КОМП’ЮТЕРНОГО ЗОРУ НА НЕВЕЛИКИХ ОБ’ЄМАХ ДАНИХ ДЛЯ ЗАДАЧІ ДИСТИЛЯЦІЇ ДАНИХ. Information Technology: Computer Science, Software Engineering and Cyber Security, 255-260. https://doi.org/10.32782/it/2026-1-30
Vancouver
ТЕРЕЩЕНКО В, ЗАКАЛА П. НАВЧАННЯ МОДЕЛЕЙ КОМП’ЮТЕРНОГО ЗОРУ НА НЕВЕЛИКИХ ОБ’ЄМАХ ДАНИХ ДЛЯ ЗАДАЧІ ДИСТИЛЯЦІЇ ДАНИХ. Information Technology: Computer Science, Software Engineering and Cyber Security. 2026:255-260. doi:10.32782/it/2026-1-30
BibTeX
@article{2026,
author = {ТЕРЕЩЕНКО, Василь and ЗАКАЛА, Павло},
title = {НАВЧАННЯ МОДЕЛЕЙ КОМП’ЮТЕРНОГО ЗОРУ НА НЕВЕЛИКИХ ОБ’ЄМАХ ДАНИХ ДЛЯ ЗАДАЧІ ДИСТИЛЯЦІЇ ДАНИХ},
journal = {Information Technology: Computer Science, Software Engineering and Cyber Security},
year = {2026},
number = {1},
pages = {255--260},
doi = {10.32782/it/2026-1-30}
}
EUVIMED