Abstract
В данном исследовании изучались методы глубокого обучения для распознавания визуальных образов на изображениях с гетерогенной структурой. Исследование сосредоточено на двух сложных и различных задачах: распознавание выражений лица и анализ рентгеновских снимков грудной клетки при пневмонии. Для проведения объективного сравнительного анализа двух задач в точно определенных условиях использовалась единая архитектура сверточной нейронной сети. Анализ проводился на базах данных FER2013 и PneumoniaMNIST. Эти две базы данных различаются по количеству типов классов, визуальной структуре и внутриклассовой вариации. Методы, использованные в ходе эксперимента, включали предварительную обработку изображений, обучение модели, оценку производительности и анализ пространства признаков с использованием t-SNE-проекций, и ROC-кривых. Результаты экспериментов показывают, что медицинская классификация была более стабильной, сходилась быстрее и достигала более высоких значений чувствительности, специфичности и AUC, чем наша задача распознавания эмоций. В частности, модель обнаружения пневмонии достигла точности выше 93% и значений AUC около 0,97, демонстрируя свои превосходные дискриминационные возможности. Напротив, результаты показывают, что задача распознавания эмоций по выражению лица значительно сложнее из-за небольших межклассовых различий и высокого уровня внутриклассовой вариации. Результаты нашего исследования подтверждают, что структура набора данных и сложность меток, используемых при обучении, существенно влияют на производительность моделей глубокого обучения в задачах компьютерного зрения.