Projekt 3 - Učící strategie a vylepšená augmentace dat pro detektor anomálií

Vedoucí: Š. Bilík ([email protected])

Studenti: Kraiushkin, Martiník

Zadání

Cílem projektu je rozšířit a otestovat existující rekonstrukční framework pro detekci anomálií s účelem roztřídění nových a neznámých dat na OK a NOK vzorky. Projekt předpokládá otestování různých tréninkových strategií (žádné NOK vzorky pro trénování, žádné NOK vzorky pro testování…) a otestování takto naučeného detektoru anomálií na neznámých datech ze stejné množiny jako trénovací datasety. Součástí projektu bude také zhodnocení úspěšnosti systému a otestování nových metrik jak na validačním, tak testovacím DS.

Dosažené výsledky budou otestovány na nových datech a porovnány se stávajícími výsledky.

Hodnocení projektu:

• 20b za funkční modely
  
• 10b na základě dokumentace
  
• 5b na základě ústní obhajoby
  
• 5b na základě úspěšnosti systému
  

Vstupy:

• Tři hotové datasety pro detekci anomálií pro účely trénování a testování
  
• Hotový framework napsaný v jazyce Python (Github repozitář AE-Reconstruction-And-Feature-Based-AD)
  

Výstupy:

• Zhodnocení různých trénovacích strategií
  
• Vyhodnocení použitých metrik
  
• Vyhodnocení přesnosti klasifikace neznámých dat
  

Literatura

[1] BILIK, Simon, et al. Toward phytoplankton parasite detection using autoencoders. Machine Vision and Applications, 2023, 34.6: 101.
[2] BILÍK, Šimon. Anomaly detection for the visual inspection of industrial and biological data. 2024.