Hidrológiai Közlöny, 2020 (100. évfolyam)
2020 / 1. szám
66 Hidrológiai Közlöny 2020. 100. évf. 1. sz. 10-1 10" Szemcseméret [mm) 10s 4. ábra. A vizsgálatokhoz alkalmazott szemcseméret tartományok Figure 4. Grain size categories for the bed composition analysis A fenti ábrák alapján látható, hogy az annotáció (5. ábra. középső kép) a legszubjektívebb része a folyamatnak. A modell olyan dolgokat képes csupán megtanulni, amelyeket bemenetként megkapott, éppen ezért az annotátornak nagy a felelőssége, hiszen pontos munkát kell végeznie. Az ehhez hasonló vizsgálatokban a képeken az egymás mellett elhelyezkedő osztályok sokszor csak nagyon kis mértékben különböznek egymástól, így szükséges, hogy az annotátor ismeretekkel rendelkezzen a területet illetően. 5. ábra. Drónfelvételből kivágott kép (bal); a felvétel kézi lehatárolással (annotálással) előállított ún. ground truth változata (középen) és végül a Mély Tanulás eljárás eredményeképpen előállt kimeneti kép (jobb) Figure 5. Original image extracted from the UA V video (left), the annotated, so called ground truth, version of the same image (middle) and the output image, predicted by the Deep Learning algorithm A TANÍTÁS A modell tanítását a felhőben végeztük egy nagy teljesítményű számítógépen, és így 7,43 órát vett igénybe, amely nem tűnik soknak, azonban a tanítást végző algoritmusok több tucat hiperparaméterrel rendelkeznek, melyek segítségével pontosíthatjuk és feladatra szabottabbá tehetjük a tanítást. A paraméterek többszöri változtatásával összesen nagyjából 100 órát és 24 ezer iterációt (6. ábra) vett igénybe a modell tanítása. Az ábrán látható, hogy az iterációk számának növekedésével a modell pontosabbá válik. Mivel az általunk használt adathalmaz relatíve kicsi volt, ezért nem volt célszerű tovább tanítani a modellt, mivel a túltanulás veszélye állt volna fenn. A MODELL ÉRTÉKELÉSE A gépi tanulási modellek értékelésére több módszert is alkalmaznak. A képfeldolgozási területen a legelterjedtebb és leginkább szigorú a metszet és unió arányán alapuló metódus (IoU - Intersection over Union), amelyet Jaccard indexnek is neveznek, és a helyesen kategorizált pixelek részarányát számolja ki a képek területéhez viszonyítva. Ezt mutatja be a 7. ábra. 6. ábra. A tanítás költségfüggvénye az iterációk függvényében (Megjegyzés: halvány narancssárga: a költségfüggvény valós értékei az iterációk során: narancssárga: a költségfüggvény értékeinek mozgó átlaga) Figure 6. Cost function of training as a function of iterations (Note: pale orange: values of the cost function during iterations; orange: moving average of the values of a cost function)
