Tematyka referatu dotyczy innowacyjnego podejścia w przygotowaniu danych stosowanych do trenowania konwolucyjnych sieci neuronowych w zakresie segmentacji kolorowych obrazów. Problem doboru danych trenujących oraz pozyskania ich wystarczającej ilości, niezbędnej do uzyskania modelu o jak najwyższej precyzji predykcyjnej, jest istotnym zagadnieniem w tematyce sieci neuronowych. Nieprawidłowe podejście do niego może sprawić, że nawet najlepiej przygotowana architektura sieci, nie będzie w stanie wygenerować modelu, który będzie działał z satysfakcjonującą dokładnością. Odpowiednia wielkość i różnorodność zbioru uczącego, dane testowe oraz te wykorzystywane do walidacji modelu, to zagadnienia nierozerwalnie związane z kosztami pozyskania tych danych, jak również z ich odpowiednim przygotowaniem. Nakłady finansowe to jeden z aspektów tego procesu, drugim jest pracochłonność i czasochłonność. Omawianą w referacie metodę przygotowania danych do trenowania sieci neuronowej cechuje jasność i wysoka skuteczność. Pozwala ona z dużą precyzją uzyskać wyniki segmentacji obrazów przy niewielkim nakładzie pracy i maksymalnym ograniczeniu czasu potrzebnego na przygotowanie danych uczących. Prezentowany sposób przygotowania danych działa zarówno na obiektach prostych, jak również na tych o bardziej złożonych kształtach.

O prelegentce: Weronika Westwańska ukończyła studia w dyscyplinie fizyki na Uniwersytecie Śląskim, uzyskując stopień naukowy magistra z wynikiem bardzo dobrym w specjalności fizyka teoretyczna. Jej zainteresowania naukowe koncentrują się głównie na zagadnieniach sieci neuronowych, w szczególności w zastosowaniu w zakresie predykcji dla szeregów czasowych oraz rozpoznawania obrazów. Od 2021 r. należy do międzynarodowego komitetu programowego konferencji "European Simulation and Modelling Conference". Obecnie pracuje na stanowisku Data Scientist w Centrum Eksperckim "Finance Support and Innovations" w ING Banku Śląskim.

Tematyka referatu dotyczy innowacyjnego podejścia w przygotowaniu danych stosowanych do trenowania konwolucyjnych sieci neuronowych w zakresie segmentacji kolorowych obrazów. Problem doboru danych trenujących oraz pozyskania ich wystarczającej ilości, niezbędnej do uzyskania modelu o jak najwyższej precyzji predykcyjnej, jest istotnym zagadnieniem w tematyce sieci neuronowych. Nieprawidłowe podejście do niego może sprawić, że nawet najlepiej przygotowana architektura sieci, nie będzie w stanie wygenerować modelu, który będzie działał z satysfakcjonującą dokładnością. Odpowiednia wielkość i różnorodność zbioru uczącego, dane testowe oraz te wykorzystywane do walidacji modelu, to zagadnienia nierozerwalnie związane z kosztami pozyskania tych danych, jak również z ich odpowiednim przygotowaniem. Nakłady finansowe to jeden z aspektów tego procesu, drugim jest pracochłonność i czasochłonność. Omawianą w referacie metodę przygotowania danych do trenowania sieci neuronowej cechuje jasność i wysoka skuteczność. Pozwala ona z dużą precyzją uzyskać wyniki segmentacji obrazów przy niewielkim nakładzie pracy i maksymalnym ograniczeniu czasu potrzebnego na przygotowanie danych uczących. Prezentowany sposób przygotowania danych działa zarówno na obiektach prostych, jak również na tych o bardziej złożonych kształtach.

O prelegentce: Weronika Westwańska ukończyła studia w dyscyplinie fizyki na Uniwersytecie Śląskim, uzyskując stopień naukowy magistra z wynikiem bardzo dobrym w specjalności fizyka teoretyczna. Jej zainteresowania naukowe koncentrują się głównie na zagadnieniach sieci neuronowych, w szczególności w zastosowaniu w zakresie predykcji dla szeregów czasowych oraz rozpoznawania obrazów. Od 2021 r. należy do międzynarodowego komitetu programowego konferencji "European Simulation and Modelling Conference". Obecnie pracuje na stanowisku Data Scientist w Centrum Eksperckim "Finance Support and Innovations" w ING Banku Śląskim.