The Deep Boltzmann Machine (DBM) has been proved to be one of the most effective machine learning generative models in discriminative tasks. They've been able to overcome other generative, and even discriminative models, on relatively simple tasks, such as digits recognition, and also on more complex tasks such as simple objects recognition. However, there're only a few published results of DBM performances on other complex datasets. In this work we decided to test the efficiency of DBM, and its variant Multi-Prediction Deep Boltzmann Machine (MP-DBM), in classifying a complex dataset composed of road signs and we'll show how we've been able to train both models to reach what, at the best of our knowledge, are the best discriminative results of generative models on the road signs dataset.

Le Deep Boltzmann Machines (DBM) si sono rivelate uno dei migliori modelli generativi in operazioni di classificazione. Sono state capaci di superare altri modelli generativi, e anche modelli discriminativi puri, in operazioni di classificazione di dataset relativamente semplici, come dataset composti di cifre scritte a mano, e anche su dataset più complessi composti di oggetti. Tuttavia, esistono solo poche pubblicazioni relative alle prestazioni delle DBM su altri dataset complessi. In questo lavoro abbiamo deciso di testare l'efficienza del modello di DBM, e della sua variante Multi-Prediction Deep Boltzmann Machine (MP-DBM), nella classificazione di un dataset complesso composto di cartelli stradali e mostreremo come siamo stati capaci di allenare entrambi i modelli per raggiungere quelli che, al meglio della nostra conoscenza, sono i migliori risultati discriminativi ottenuti da modelli generativi sul dataset dei cartelli stradali.

On the use of deep Boltzmann machines for road signs classification

D'ERAMO, CARLO
2013/2014

Abstract

The Deep Boltzmann Machine (DBM) has been proved to be one of the most effective machine learning generative models in discriminative tasks. They've been able to overcome other generative, and even discriminative models, on relatively simple tasks, such as digits recognition, and also on more complex tasks such as simple objects recognition. However, there're only a few published results of DBM performances on other complex datasets. In this work we decided to test the efficiency of DBM, and its variant Multi-Prediction Deep Boltzmann Machine (MP-DBM), in classifying a complex dataset composed of road signs and we'll show how we've been able to train both models to reach what, at the best of our knowledge, are the best discriminative results of generative models on the road signs dataset.
VISIN, FRANCESCO
ING - Scuola di Ingegneria Industriale e dell'Informazione
29-apr-2015
2013/2014
Le Deep Boltzmann Machines (DBM) si sono rivelate uno dei migliori modelli generativi in operazioni di classificazione. Sono state capaci di superare altri modelli generativi, e anche modelli discriminativi puri, in operazioni di classificazione di dataset relativamente semplici, come dataset composti di cifre scritte a mano, e anche su dataset più complessi composti di oggetti. Tuttavia, esistono solo poche pubblicazioni relative alle prestazioni delle DBM su altri dataset complessi. In questo lavoro abbiamo deciso di testare l'efficienza del modello di DBM, e della sua variante Multi-Prediction Deep Boltzmann Machine (MP-DBM), nella classificazione di un dataset complesso composto di cartelli stradali e mostreremo come siamo stati capaci di allenare entrambi i modelli per raggiungere quelli che, al meglio della nostra conoscenza, sono i migliori risultati discriminativi ottenuti da modelli generativi sul dataset dei cartelli stradali.
Tesi di laurea Magistrale
File allegati
File Dimensione Formato  
tesi.pdf

accessibile in internet per tutti

Descrizione: Thesis text
Dimensione 19.04 MB
Formato Adobe PDF
19.04 MB Adobe PDF Visualizza/Apri

I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/10589/106562