Автор молодец, просто работа не нужна больше
Информация о работе
Подробнее о работе
Диплом Нейросети "Обнаружение и подсчет пешеходов в видеопотоке реального времени с помощью сверточной нейронной сети" сдан на 5 + исходный код
- 96 страниц
- 2019 год
- 9 просмотров
- 3 покупки
Гарантия сервиса Автор24
Уникальность не ниже 50%
Фрагменты работ
Согласно данным Всемирной организации здравоохранения (ВОЗ) на 2015 год, вследствие дорожно-транспортных происшествий (ДТП) ежегодно погибают более 1,25 миллиона человек (186 тысяч из них дети). От 20 млн. до 50млн. получают различные травмы [1]. Ежедневно погибают более 3 тысяч человек и около 100 тысяч получают серьезные травмы. Этот показатель практически не меняется с 2007 года.
Основной причиной смерти людей от 15 до 29 лет являются дорожные аварии. Наибольший процент смертности наблюдается среди мотоциклистов (23% всех случаев смерти в результате ДТП), пешеходов (22%) и велоси¬педистов (4%). В 90% случаев ДТП со смертельным исходом происходит в странах с низким и средним уровнем дохода.
В России по статистике Министерства внутренних дел (МВД) в 2018 году произошло 168 тысяч ДТП с пострадавшими [2]. Из них 50 тысяч с участием пешеходов. Каждое девятое ДТП закончилось смертельным исхо-дом. За год на дорогах страны погибло около 18 тысяч человек. Еще 215 тысяч человек получили различные травмы.
Сравнивая статистику ДТП с участием пешеходов, согласно данным МВД, за первое полугодие 2019 года произошло 20,4 тыс. ДТП (21,2 тысячи за аналогичный период 2018-го), в которых погибли 1775 человек (1969 жертв в 2018-м) и пострадали свыше 19,4 тыс. (почти 20,1 тысяч в 2018-м).
ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ 6
1 МЕТОДЫ ДЕТЕКТИРОВАНИЯ ПЕШЕХОДОВ В РЕЖИМЕ РЕАЛЬНОГО
ВРЕМЕНИ 8
1.1 Этапы детектирования пешеходов 8
1.2 Компьютерное зрение 10
1.2.1 Метод вычитания фона 11
1.2.2 HOG дескриптор 13
1.2.3 Поиск контуров 18
1.3 Глубокие нейронные сети 20
1.3.1 Алгоритм R-CNN 20
1.3.2 Алгоритм Fast R-CNN 21
1.3.3 Алгоритм Faster R-CNN 23
1.3.4 Алгоритм YOLO 24
1.3.5 Алгоритм YOLOv3-tiny 27
1.3.6 Алгоритм YOLOv3 27
1.3.7 Алгоритм SSD 28
1.3.8 Алгоритм FPN 29
1.4 Выводы по главе 1 31
2 ДЕТЕКЦИЯ ПЕШЕХОДОВ С ПОМОЩЬЮ НЕЙРОННОЙ СЕТИ
YOLOV3 33
2.1 Архитектура нейронной сети 33
2.2 Подготовка данных 34
2.3 Постановка задачи детекции пешеходов 36
2.4 Метрики качества 37
2.4.1 Метрика точности (accuracy) 37
2.4.2 Метрика точности (precision) 38
2.4.3 Метрика полноты 38
2.4.4 Метрика локализации объекта 39
2.5 Обучение сверточной нейронной сети 40
2.5.1 Функции активации 40
2.5.2 Функция потерь 42
2.5.3 Операция свертки 43
2.5.4 Операция субдискретизации (пулинга) 44
2.5.5 Кодировщик. Нейронная сеть DarkNet-53. Декодировщик 45
2.5.6 Метод оптимизации функции потерь 47
2.5.7 Метод обратного распространения ошибки 48
2.6 Выводы по главе 2 52
3 РЕЗУЛЬТАТЫ ДЕТЕКТИРОВАНИЯ, ТРЕКИНГА И ПОДСЧЕТА
ПЕШЕХОДОВ В РЕЖИМЕ РЕАЛЬНОГО ВРЕМЕНИ СЕТЬЮ YOLOV3 53
3.1 Конфигурация нейронной сети 53
3.2 Алгоритмы обучения и тестирования нейронной сети YOLOv3 55
3.3 Результаты обучения, полученные метрики 58
3.4 Подсчет пешеходов по всем направлениям дорожного узла 61
3.5 Выводы по главе 3 63
ЗАКЛЮЧЕНИЕ 65
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 67
ПРИЛОЖЕНИЯ 71
ПРИЛОЖЕНИЕ 1 Код нормализации файлов с разметкой 71
ПРИЛОЖЕНИЕ 2 Обучение нейронной сети 75
ПРИЛОЖЕНИЕ 3 Код для запуска работы нейронной сети 91
ПРИЛОЖЕНИЕ 4 Код для подсчета пешеходов 95
Обнаружение и подсчет пешеходов по всем направлениям дорожного узла в
видеопотоке реального времени с помощью сверточной нейронной сети
Хорошо написан, сдавался в глубинке. Сдан на 5
Можно использовать
Код программы в комплекте в документе
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1 Волков, С.В. Статистика дорожно-транспортных происшествий в России за текущий год / С.В. Волков // nadoroge.guru - Дата обновления 28.01.2019. URL https ://nadoro ge. guru/ dtp/obschee/statistika-avariy-v-rf(дата обращения: 26.01.2020).
2 Караваев, А.В. Последовательное снижение смертности: МВД опубликовало статистику ДТП за первое полугодие 2019 года/ А.Н. Караваев // russian.rt.com - Дата обновления 15.07.2019. URL https://ru.rt.com/dxt5(дата обращения: 2.02.2020).
3 Олифер, В.Г. Компьютерные сети. Принципы, технологии, протоколы [Текст] / В.Г. Олифер, Н.А. Олифер - СПб: Питер, 2001. - 672 с.
4 Wong, S.-F. Robust Image Segmentation by Texture Sensitive Snake Under Low Contrast Environment/S.-F. Wong, K.-Y.K. Wong // In Proc. Int. Conference on Informatics in Control, Automation and Robotics, 2004. P.430-434.
5 Яшина, М.В. Методы распознавания образов для оценки характеристик пешеходных потоков / М.В. Яшина, А.А. Толмачев // T-Comm: Телекоммуникации и транспорт. - 2017 №8(2). - С. 45-51.
6 Кузнецов, М.К. Методы цифровой обработки видеосигналов // Изв. Южного федерального университета. Технические науки. - 2013 № 11(148). - С. 79-83.
7 Шапиро, Л. Компьютерное зрение / Л. Шапиро. - М.: БИНОМ. Лаборатория знаний, 2013. - 752 c.
8 Шолле, Ф. Глубокое обучение на Python / Ф. Шолле. - Санкт- Петербург: Питер, 2018. - 400 с.
9 Круглов, В.В. Искусственные нейронные сети. Теория и практика / В.В. Круглов, В.В. Борисов - М.: Горячая линия - Телеком, 2002 - 382 с..
10 Girshick, R. Region-Based Convolutional Networks for Accurate Object Detection and Segmentation [Text] / R. Girshick, J. Donahue, T. Darrell,
11 Uijlings, J. Selective Search for Object Recognition [Text] / J.R.R. Uijlings, K.E.A. van de Sande, T. Gevers, A.W.M. Smeulders // International Journal of Computer Vision. - 2013 № 104(2). - P. 154-171.
12 Girshick, R. Fast R-CNN [Text] / R. Girshick // Computer Vision and Pattern Recognition (CVPR'15). - Boston, MA, USA: IEEE, 2015 - 9 p.
13 Ren, S. Faster R-CNN: towards real-time object detection with region proposal networks / He K, Girshick R, et al // International Conference on Neural Information Processing Systems. MIT Press, 2015. P. 91-99.
14 Redmon, J. YOLO: Real-Time Object Detection [Электронный документ] URL:http://pjreddie.com/darknet/yolo/ (дата обращения 7.01.2020).
15 Redmon, J. You Only Look Once: Unified, Real-Time Object Detection [Text] / J. Redmon, S. Divvala, R. Girshick, A. Farhadi // Computer Vision and Pattern Recognition (CVPR'16). - Las Vegas, NV, USA : IEEE, 2016. - 9 p.
16 Redmon, J. YOLOv3: An incremental improvement / J. Redmon, A. Farhadi // Computer Vision and Pattern Recognition (CVPR'18). - Washington, USA : IEEE, 2018. - 6 p.
17 Wei, L. SSD: Single Shot MultiBox Detector [Электронный ресурс] - URL: https://arxiv.org/pdf/1512.02325.pdf (дата обращения 17.01.2020).
18 Lin, T.-Y. Feature Pyramid Networks for Object Detection/ T.-Y. Lin, P. Doll, R. Girshick// Computer Vision and Pattern Recognition (CVPR'14). - Washington, USA: IEEE, 2014. - 9 p.
19 Джонс, М.Т. Программирование искусственного интеллекта в приложениях / М. Т. Джонс. - М.: ДМК Пресс, 2011. - 312 с.
20 Ростовцев, В.С. Искусственные нейронные сети. / В.С. Ростовцев. - Санкт-Петербург: Лань, 2019. - 216 с.
Форма заказа новой работы
Не подошла эта работа?
Закажи новую работу, сделанную по твоим требованиям
