Convolutional Neural Network with Biologically Inspired Retinal Structure

Kim, Jonghong; Sangjun, O.; Kim, Yoonnyun; Lee, Minho

doi:10.1016/j.procs.2016.07.418

Cited by 36 publications

(27 citation statements)

References 11 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Obviously, not every ICP needs a DOL after each ConvL [4], [11], [12]. This is influenced by a number of classes.…”

Section: Introductionmentioning

confidence: 99%

Appropriateness of Dropout Layers and Allocation of Their 0.5 Rates across Convolutional Neural Networks for CIFAR-10, EEACL26, and NORB Datasets

Romanuke

2017

Applied Computer Systems

View full text Add to dashboard Cite

-A technique of DropOut for preventing overfitting of convolutional neural networks for image classification is considered in the paper. The goal is to find a rule of rationally allocating DropOut layers of 0.5 rate to maximise performance. To achieve the goal, two common network architectures are used having either 4 or 5 convolutional layers. Benchmarking is fulfilled with CIFAR-10, EEACL26, and NORB datasets. Initially, series of all admissible versions for allocation of DropOut layers are generated. After the performance against the series is evaluated, normalized and averaged, the compromising rule is found. It consists in non-compactly inserting a few DropOut layers before the last convolutional layer. It is likely that the scheme with two or more DropOut layers fits networks of many convolutional layers for image classification problems with a plenty of features. Such a scheme shall also fit simple datasets prone to overfitting. In fact, the rule "prefers" a fewer number of DropOut layers. The exemplary gain of the rule application is roughly between 10 % and 50 %.

show abstract

“…Obviously, not every ICP needs a DOL after each ConvL [4], [11], [12]. This is influenced by a number of classes.…”

Section: Introductionmentioning

confidence: 99%

Appropriateness of Dropout Layers and Allocation of Their 0.5 Rates across Convolutional Neural Networks for CIFAR-10, EEACL26, and NORB Datasets

Romanuke

2017

Applied Computer Systems

View full text Add to dashboard Cite

show abstract

“…Nilai output dari neuron bisa dinyatakan sebagai 0 jika inputnya adalah negatif. Jika nilai input adalah positif, maka output dari neuron adalah nilai input aktivasi itu sendiri [6].…”

Section: E Haar Hascadeunclassified

Sistem Hitung dan Klasifikasi Objek dengan Metode Convolutional Neural Network

Romario

Ihsanto

Kadarina

2020

JTE

View full text Add to dashboard Cite

Sistem klasifikasi objek ini di rancang untuk melakukan klasifikasi dan perhitungan jumlah objek terdeteksi pada suatu gambar. menggunakan metode Convolutional Neural Network yang telah dilatih, Metode CNN merupakan salah satu metode deep learning yang mampu melakukan proses pembelajaran mandiri untuk pengenalan objek, ekstraksi objek dan klasifikasi serta dapat diterapkan pada citra resolusi tinggi yang memiliki model distribusi nonparametrik. Kemudian gambar yang telah diterima dijalankan menggunakan Bahasa pemrograman python pada laptop operasional menggunakan platform open source spyder3. Input system ini adalah citra 2 dimensi dengan skala minimal 400 x 400 pixel dan skala maksimal 1600 x 1600 pixel. Setelah program dijalankan maka outputnya adalah sebuah citra yang dengan keterangan jumlah wajah terdeteksi dan keterangan framing terhadap pola wajah pada gambar output. Penelitian menggunakan tiga kelompok gambar percobaan, gambar kelompok pertama berisikan gambar dengan objek manusia, kelompok gambar kedua berisikan objek manusia asli yang di campur dengan karikatur, kelopok gambar ketiga berisi gambar kartun berperawakan manusia. Pada percobaan kelompok pertama hasil deteksi mencapai 80%, Dan kelopok kedua di dapat hasil deteksi mencapai 75%. Dan pada percobaan gambar kelompok ketiga system tidak mendeteksi adanya pola wajah manusia. Hasil penelitian ini menunjukkan bahwa penggunaan metode CNN berpotensi untuk pendekatan pengenalan objek secara otomatis dalam membedakan jenis pola wajah manusia sebagai bahan pertimbangan interpreter dalam menentukan objek pada citra.Kata kunci: Convolutional neural network, Python, Spyder 3

show abstract

“…Nilai output dari neuron bisa dinyatakan sebagai 0 jika inputnya adalah negatif. Jika nilai input adalah positif, maka output dari neuron adalah nilai input aktivasi itu sendiri (Kim et al, 2016).…”

Section: Convolutional Neural Network (Cnn)unclassified

Implementasi Metode Convolutional Neural Network Untuk Klasifikasi Tanaman Pada Citra Resolusi Tinggi

Arrofiqoh¹,

Harintaka²

2018

JIG

View full text Add to dashboard Cite

Citra resolusi tinggi dari teknologi UAV (Unmanned Aerial Vehicle) dapat memberikan hasil yang baik dalam ekstraksi informasi sehingga dapat digunakan untuk monitoring dan updating data suatu wilayah. Pengambilan informasi dari citra dengan interpretasi visual sangat bergantung pada interpreter. Kendala utama interpretasi secara manual adalah saat melakukan pengenalan objek secara visual, khususnya pada objek tanaman pertanian. Kesalahan hasil asumsi interpreter dapat terjadi ketika citra yang diekstraksi memiliki objek yang kompleks dan memiliki karakter fisik yang hampir mirip apabila dilihat dari foto udara yang hanya memiliki band RGB (Red, Green, dan Blue). Penelitian ini mencoba mengimplementasikan pendekatan klasifikasi semantik secara otomatis yang dapat membedakan jenis tanaman sebagai alternatif pengenalan objek berdasarkan metode deep learning menggunakan Convolutional Neural Network (CNN). Metode CNN merupakan salah satu metode deep learning yang mampu melakukan proses pembelajaran mandiri untuk pengenalan objek, ekstraksi objek dan klasifikasi serta dapat diterapkan pada citra resolusi tinggi yang memiliki model distribusi nonparametrik. Pada penelitian ini, diterapkan algoritma CNN untuk membedakan jenis tanaman dengan memberikan label semantik dari objek jenis tanaman. Penelitian menggunakan 5 kelas jenis tanaman, yaitu kelas tanaman padi, bawang merah, kelapa, pisang, dan cabai. Proses learning jaringan menghasilkan akurasi 100% terhadap data training. Pengujian terhadap data validasi menghasilkan akurasi 93% dan akurasi terhadap data tes 82%. Hasil penelitian ini menunjukkan bahwa penggunaan metode CNN berpotensi untuk pendekatan pengenalan objek secara otomatis dalam membedakan jenis tanaman sebagai bahan pertimbangan interpreter dalam menentukan objek pada citra.

show abstract

Convolutional Neural Network with Biologically Inspired Retinal Structure

Cited by 36 publications

References 11 publications

Appropriateness of Dropout Layers and Allocation of Their 0.5 Rates across Convolutional Neural Networks for CIFAR-10, EEACL26, and NORB Datasets

Appropriateness of Dropout Layers and Allocation of Their 0.5 Rates across Convolutional Neural Networks for CIFAR-10, EEACL26, and NORB Datasets

Sistem Hitung dan Klasifikasi Objek dengan Metode Convolutional Neural Network

Implementasi Metode Convolutional Neural Network Untuk Klasifikasi Tanaman Pada Citra Resolusi Tinggi

Contact Info

Product

Resources

About