OU Portal
  • Log In
  • Welcome
  • Applicants
Z6_60GI02O0O8IDC0QEJUJ26TJDI4
{}

Pomocí tohoto dialogu můžete vyhledat domácí autory, čili autory, kteří jsou vedeni v personálních systémech Ostravské univerzity.

Do našeptávače níže napište hledaný text a tento text bude vyhledán ve jméně nebo příjmení autora. Autoři, kteří budou hledanému textu odpovídat, Vám budou nabídnuti v seznamu. Pomocí myši nebo šipek na klávesnici vyberte požadovaného autora.

Našeptávač : 
Přidat autora k záznamu Zavřít

Pomocí tohoto dialogu můžete k záznamu přidat cizího autora, čili autora, který nemá žádný pracovní ani studijní vztah k Ostravské univerzitě. Takto přidaný autor bude do RIV vykázán jako nedomácí.

Pro přidání autora vepište jeho jméno a příjmení do určených položek.

Jméno :
Příjmení :
Přidat k záznamu Zavřít
Zavřít
Publikační činnost


preloading...   Probíhá načítání, čekejte prosím...
publicationId :
tempRecordId :
actionDispatchIndex :
navigationBranch :
pageMode :
tabSelected :
isRivValid :
Typ záznamu * : prezentace (kongresy, sympózia, konference, workshopy)
Domácí pracoviště * : Ústav pro výzkum a aplikace fuzzy modelování (94410)
Název * : Relationship between convolutional neural networks and F-transform
Citace : MOLEK, V. a Perfiljeva, I. Relationship between convolutional neural networks and F-transform. In: ISCAMI. Malenovice. 2016.
Podnázev :
Rok : 2016
Obor : Informatika
Místo konání : Malenovice
Stát konání akce : Česká republika
Název akce : ISCAMI
Datum od :
Datum do :
Druh prezentace : Přednáška
Instituce :
Klíčová slova anglicky :
Popis v původním jazyce :
The proposed contribution describes a new convolutinal neural network structure that uses several kernels extracted from the F-transform methodology and shows the experimental results. The purpose of the ongoing study is to explore optimisation possibilities of the training process. We have performed tests using the newly proposed network model and the Caffe framework. The proposed version prototype is the network LeNet-5. We have passed multiple training on the data-set MNIST. The time measurements were taken in each training cycle. After the training stage, we have tested the accuracy and the robustness against rotation and translation of the proposed and the prototype networks. The median training time of the prototype network was 53.81 second while median training time of the proposed network was 37.27 second. Both networks had similar accuracy at the end of the training process (99.08% and 98.94%). The performance was similar on rotated example image. The performance on translated example image is going to be the subject of the further study. The results show that excluding some of the network parameters from training process and initialising them based on the F-transform lead to the significantly lower training time while retaining network accuracy.
Popis v anglickém jazyce :
Typ zdroje financování výsledku :
Seznam projektů :
ID Projektu Název projektu
Seznam ohlasů : 
Ohlas
R01:

© 2019 Centre for Information Technology

  • Technická podpora :
  • Mgr. Olga Blahutová (phone: +420 597 091 129, phone flap for UO: 1129)
Complementary Content
  • ${title}${badge}
${loading}