Автор молодец, просто работа не нужна больше
Информация о работе
Подробнее о работе
Диплом Нейросети "Распознавание сервированных блюд с использованием нейронных сетей" сдан на 5 + исходный код
- 62 страниц
- 2019 год
- 30 просмотров
- 4 покупки
Гарантия сервиса Автор24
Уникальность не ниже 50%
Фрагменты работ
Распознавание объектов служит для отнесения исходных данных к одному из заранее определенных классов при помощи выделения некоторых существенных признаков, позволяющих охарактеризовать эти данные.
Проблема распознавания объектов усилено начала приобретать значение в условиях, когда человек не справляется с большим количество информационных перегрузок и не может справиться с линейно-после¬довательным пониманием различных поступающих к нему сообщений.
Таким образом, проблема распознавания объектов начала охватывать самые различные области и оказалась в поле междисциплинарных исследований, особенно в областях, связанных с нейронными сетями и искусственным интеллектом.
Если раньше задача распознавания в основном применялась для решения задач в области безопасности, то с развитием нейронных сетей количество областей значительно расширилось. Сейчас задачу распознавания можно применить в любой сфере, где имеется видеопоток данных или большое количество изображений.
ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ 8
1 РАСПОЗНАВАНИЕ ОБЪЕКТОВ НА ФОТОГРАФИИ 9
1.1 Классификация изображений 9
1.2 Детекция объектов на изображении 12
1.3 Методы для решения задач классификации и сегментации 13
1.4 Модели 14
1.4.1 Нейронные сети глубокого обучения 14
1.4.2 Сверточные нейронные сети 15
1.5 Балансировка набора данных 18
1.5.1 Удаление миноритарного класса 19
1.5.2 Случайное удаление примеров из мажоритарного класса 19
1.5.3 Дублирование примеров миноритарного класса 19
1.6 Существующие решения и аналоги 19
1.7 Выбор среды разработки 21
1.8 Вывод по главе 1 22
2 АЛГОРИТМ ДЛЯ РЕШЕНИЯ ЗАДАЧИ РАСПОЗНАВАНИЯ 23
2.1 Постановка задачи распознавания 23
2.2 Исходные данные для классификатора 23
2.3 Исходные данные для распознавания 26
2.4 Общий алгоритм для обучения нейронных сетей 28
2.5 Описание классификатора 29
2.6 Описание YOLOv3 31
2.7 Описание EfficentDet 33
2.8 Функции активации и потерь 35
2.9 Функции для оценки точности 36
2.10 Вывод по главе 2 37
3 ВЫЧИСЛИТЕЛЬНЫЙ ЭКСПЕРИМЕНТ И ПРОВЕРКА НА ТЕСТОВЫХ
ДАННЫХ 38
3.1 Параметры классификатора 38
3.2 Параметры детектирования с использованием YOLOv3 41
3.3 Параметры детектирования с использованием EfficentDet 43
3.4 Сравнение результатов работы YOLOv3 и EfficentDet 45
3.5 Выводы по 3 главе 47
ЗАКЛЮЧЕНИЕ 48
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 49
ПРИЛОЖЕНИЕ 1 Исходный код 53
Хорошо написан, сдавался в глубинке. Сдан на 5
Можно использовать
Код программы в комплекте в документе
Целью данной работы является исследование средств машинного обучения и их применимость в задачах классификации и сегментации изображений. Решается задача распознавания сервированных блюд. В качестве решения задачи предлагаются реализация на основе нейронной сети YOLOv3.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1 Вакуленко, С.А. Практический курс по нейронным сетям: учебное пособие / С. А. Вакуленко, А. А. Жихарева. - Санкт-Петербург: НИУ ИТМО, 2018. - 71 с. - Текст: электронный // Лань: электронно-библиотечная система. - URL: https://e.lanbook.com/book/136500 (дата обращения:
25.03.2020). - Режим доступа: для авториз. пользователей.
2 Гонсалес, Р. Цифровая обработка изображений: учебник / Р. Гонсалес, Р. Вудс. - Москва: Техносфера, 2005. - 1072 с.
3 Гудфеллоу, Я. Глубокое обучение / Я. Гудфеллоу, И. Бенджио, А. Курвилль; пер. с англ. А.А. Слинкина. - 2-е изд. Москва: ДМК Пресс, 2018. - 652 с. - Текст: электронный // Лань: электронно-библиотечная сис тема. - URL: https://e.lanbook.com/book/107901 (дата обращения: 28.03.2020). - Режим доступа: для авториз. пользователей.
4 Джонс, М.Т. Программирование искусственного интеллекта в приложениях / М.Т. Джонс. - Москва: ДМК Пресс, 2011. - 312 с. - Текст: электронный // Лань: электронно-библиотечная система. - URL: https://e.lanbook.com/book/1244 (дата обращения: 25.04.2020). - Режим доступа: для авториз. пользователей.
5 Дуда, Р. Распознавание образов и анализ сцен / Р. Дуда, П. Харт Москва: Мир, 1976. - 512 с.
6 Калитин, Д.В. Artifical neural networks: учебное пособие /
Д.В. Калитин. - Москва: МИСИС, 2018. - 88 с. - Текст: электронный // Лань: электронно-библиотечная система. - URL: https://e.lanbook.com/book/108048 (дата обращения: 16.03.2020). - Режим доступа: для авториз. пользователей.
7 Классификатор kNN // Хабр [Электронный ресурс] URL: https:// habr.com/ru/post/149693/ (дата обращения: 10.03.2020).
8 Лепешкин, О.М. Анализ методов сегментации изображений / О.М. Лепешкин, С.А. Романов, Ю.П. Стоянов // Молодой учёный. - 2010. - №6(17). - С. 26-28
9 Маккинни, У. Python и анализ данных/ У. Маккинни; перевод с английского А.А. Слинкина. - 2-е изд., испр. и доп. - Москва: ДМК Пресс, 2020. - 540 с. - Текст: электронный // Лань: электронно-библиотечная
система. - URL: https://e.lanbook.com/ book/131721 (дата обращения: 30.01.2020). - Режим доступа: для авториз. пользователей.
10 Метод ближайших соседей // MachineLearning.ru [Электронный ресурс] URL: https://clck.ru/MCqWe (дата обращения: 15.05.2020).
11 Моделирование и распознавание 2D/3D образов. Сегментация изображения. - Дата обновления: 31.07.2018. URL: https://api-2d3d- cad.com/segment/ (дата обращения: 06.03.2020)
12 Открытый курс машинного обучения. Тема 3. Классификация, деревья решений и метод ближайших соседей // Хабр [Электронный ресурс] URL: https://habr.com/ru/company/ods/blog/322534/ (дата обращения:
10.02.2020).
13 Прэтт У. Цифровая обработка изображений: Пер. с англ. М.: Мир, 1982. Т. 1. 312 с.
Форма заказа новой работы
Не подошла эта работа?
Закажи новую работу, сделанную по твоим требованиям
