Multi-modal architecture based on machine learning for real-time pollen classification
Мулти-модална архитектура заснована на машинском учењу за класификацију полена у реалном времену
Докторанд
Матавуљ, ПредрагМентор
Tešendić, DanijelaBrdar, Sanja
Чланови комисије
Radovanović, MilošTešendić, Danijela
![](/themes/MirageNardus/images/orcid.png)
Slivka, Jelena
Šikoparija, Branko
Метаподаци
Приказ свих података о дисертацијиСажетак
This dissertation explores advanced neural network architectures for the classification of airborne particles, with a special emphasis on bioaerosols such as pollen and fungal spores. It focuses on the application of deep learning techniques and transfer learning to enhance the detection and analysis of bioaerosols. The empirical assessment of the effectiveness of these models is conducted through comparison with traditional methods, and the challenges of multi-class classification are also investigated. Additionally, the integrated gradient method within explainable artificial intelligence is used to analyze the decisions of neural networks. The result of the research is the 'RealForAll' system, which represents an efficient solution for real-time monitoring of airborne allergens. This dissertation contributes new methodologies in the field of artificial intelligence for environmental monitoring and lays the foundation for future advancements in this area.
Ова дисертација истражује напредне архитектуре неуронских мрежа за класификацију честица у ваздуху, с посебним нагласком на биоаеросоле попут полена и гљивичних спора. Усредсређена је на примену техника дубоког учења и трансферног учења за побољшање откривања и анализе биоаеросола. Емпиријска процена ефикасности ових модела врши се путем поређења са традиционалним методама, а истражују се и изазови вишекласне класификације. Додатно, користи се метод интегрисаног градијента у оквиру објашњиве вештачке интелигенције за анализу одлука неуронских мрежа. Резултат истраживања је систем 'RealForAll', који представља ефикасно решење за праћење ваздушних алергена у реалном времену. Ова дисертација доприноси новим методологијама у области вештачке интелигенције за мониторинг околине и поставља темеље за будуће напретке у овој области.
Ova disertacija istražuje napredne arhitekture neuronskih mreža za klasifikaciju čestica u vazduhu, s posebnim naglaskom na bioaerosole poput polena i gljivičnih spora. Usredsređena je na primenu tehnika dubokog učenja i transfernog učenja za poboljšanje otkrivanja i analize bioaerosola. Empirijska procena efikasnosti ovih modela vrši se putem poređenja sa tradicionalnim metodama, a istražuju se i izazovi višeklasne klasifikacije. Dodatno, koristi se metod integrisanog gradijenta u okviru objašnjive veštačke inteligencije za analizu odluka neuronskih mreža. Rezultat istraživanja je sistem 'RealForAll', koji predstavlja efikasno rešenje za praćenje vazdušnih alergena u realnom vremenu. Ova disertacija doprinosi novim metodologijama u oblasti veštačke inteligencije za monitoring okoline i postavlja temelje za buduće napretke u ovoj oblasti.