Информация о работе
Подробнее о работе
Методы распознавания рукописных иероглифов с помощью нейронных сетей
- 94 страниц
- 2022 год
- 7 просмотров
- 0 покупок
Гарантия сервиса Автор24
Уникальность не ниже 50%
Фрагменты работ
Для решения задач распознавания различных изображений, таких как изображения символов, цифр, рукописных структурных единиц различных алфавитов в последнее время часто используются модели искусственного интеллекта. Развитие машинного обучения и нейронных сетей показали, что имплементированные модели глубокого обучения решают задачи компьютерного зрения с поразительной точностью. В 2014 году было представлено соревнование по классификации изображений животных на кошек и собак, результаты показали, что нейронные сети способны выполнять подобные классификации точнее и намного быстрее предсказания обычных моделей компьютерного зрения из открытой библиотеки OpenCV для работы с изображениями и видео.
В данном разделе рассмотрим процесс обучения – использование подготовленных данных для того, чтобы модель могла предсказывать правильный ответ на размеченных данных. Мы вычисляем метрики качества модели для тренировочного и валидационного датасетов отдельно, в качестве метрик выбраны: accuracy (точность) и softmaxcrossentropy (вероятностная энтропия, нормализованная функцией софтмакс). Математическое обоснования выбора этих методов оценки качества результата было дано в предыдущих главах.
В данной работе рассматривается использование сверточной нейронной сети с разработанной архитектурой для решения задачи распознавания рукописных символов японского алфавита. В ходе выполнения выделены существующие методы анализа изображений иероглифов, способы предобработки данных и описана общая структура решения задачи глубокого обучения. Разработанная нейронная сеть была обучена распознавать изображения с очень высокой точностью, был проведен анализ результатов с последующей интерпретацией результатов. В качестве визуализации результатов работы обученной сверточной нейронной сети было разработано веб-приложение «русско-японский» словарь, использующее предсказания модели.
1. Основы алгоритмизации и программирования в машинном обучении - учебное издание - Беспалов С.А. - Минск - 2017 г. - 71 с.
2. Deep Learning - Université de Montréal - Ian Goodfellow, Yoshua Bengio, Aaron Courville - Toronto - 2019 г. - 800 с.
3. Лекции и практики на Python- учебное издание - Гусин В.И. - Москва - 2018 г. - 283 с.
4. Основы алгоритмизации и программирования в С++. - /СПГУт - сост. В.Л. Бусько, С.Ю. Наровицкий – Санкт-Петербург - 2011 г. - 181 с.
5. Исследование существующих подходов к распознаванию японских иероглифических символов - Бобылева Е.А - Москва - 2017 г. - 38 с.
6. Советский энциклопедический словарь - /НСГУ - Научн.-ред. совет: А. М. Прохоров (пред.). - М.: Советская энциклопедия, 1981. — С. 1592. — 1600 с. — 1 200 000 экз.
7. LaMDA: Language Models for Dialog Applications Romal Thoppilan - Google - 2022 г. - 12 с.
8. SESSION-BASED RECOMMENDATIONS WITH RECURRENT NEURAL NETWORKS - Balazs Hidasi - Netflix - 2015 г. – 14 с.
9. Be My Eyes : Android App for visually impaired people - учебное издание - Parminder Kaur - Jawaharlal Nehru Engineering College - 2015 г. – 44 с.
10. Мобильная система распознавания символов японского языка. - КНИТУ - сост. Костин В.Д, Кирпичников А.П - Казань - 2017 г. -101 с.
11. Распознавание японских иероглифов с помощью методов машинного и глубокого обучения - Кева, Ю. А., Конева, Д. Е. - Тюмень - 2019 г. - 21 с.
12. ETL (Extract, Transform, Load) - / Business Intelligence - David Loshin. - Morgan Kaufmann - 2012 г. - 400 с.
13. ImageNet Classification with Deep Convolutional Neural Networks - Krizhevsky, Alex; Sutskever, Ilya; Hinton, Geoffrey E. - University of Toronto - 2012 г. - 9 с.
14. Искусственный интеллект в медицине: Как умные технологии меняют подход к лечению. - сост. Эрик Тополь – Альпина Паблишер - 2021 г. - 546 с.
15. Нейронные сети. Полный курс - учебное издание - Хайкин С. - Онтарио - 2014 г. - 1069 с.
16. Python и машинное обучение - /Wiley - сост. Себастьян Рашка 2022 г. - 711 с.
17. Машинное обучение (курс лекций) - К.В.Воронцов - Москва - 2017 г.
18. Стандартный JupyterNotebook - сост. В.В. Подбельский- Новокузнецк - 2016 г. – 688 с.
19. Supervised Machine Learning: Regression and Classification– Andrew Ng - Stanford - 2019 г.
20. ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ В БАНКОВСКОЙ СФЕРЕ: научное издание указ. - /Вектор экономики - сост. Мухин Максим Николаевич - Пермь - 2019 г. - 90 с.
21. Neural Networks and Deep Learning – sp ed- Michael Nielsen – Fort Lee - 2017 г. - 141 с.
22. Backpropagation Applied to Handwritten Zip Code Recognition - Y. LeCun, B. Boser, J. S. Denker, D. Henderson, R. E. Howard, W. Hubbard, L. D. Jackel - Neural Computation - 1989 г.
23. Learning representations by back-propagating errors - Rumelhart, D. E., Hinton, G. E., and Williams, R. J. - Nature - 1986 г.
24. Keeping neural networks simple by minimizing the description length of the weights - Hinton, G. E. and van Camp, D. – ACM Conference on Computational Learning Theory - 1993 г. - 34 с.
25. An Introduction to Convolutional Neural Networks - Keiron O'Shea, Ryan Nash – Cornell University - 2015 г. - 84 с.
26. Learning translation invariant recognition in a massively parallel network. - Hinton, G. E. - Lecture Notes in Computer Science, Springer-Verlag, Berlin - 1987 г. - 11 с.
27. Pooling Methods in Deep Neural Networks, a Review - Hossein Gholamalinezhad. - Shahrood University of Technology - 2018 г. - 16 с.
28. Generative Adversarial Networks - Ian J. Goodfellow, Jean Pouget-Abadie, Mehdi Mirza - Toronto - 2014 г. – 19 с.
29. MLP and Elman Recurrent Neural Network Modelling for the TRMS - S. F. Toha, M. O. Tokhi - The University of Sheffield, UK - 2020 г. – 6 с.
30. A Critical Review of Recurrent Neural Networks for Sequence Learning - Zachary Chase Lipton - Carnegie Mellon University - 2015 г. - 35 с.
31. Self-attention and the Transformer - Forrest Davis, Marten van Schijndel - Cornell University - 2020 г. - 12 с.
32. Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift - Sergey Ioffe, Christian Szegedy - Ontario - 2015 г. - 42 с.
33. The Discovery of the Vector Representation of Moments and Angular Velocity - SANDRO CAPARRINI – San - 2002 г. - 107 с.
34. Long Short-term Memory - Sepp Hochreiter – PubMed- Technische Universitat Munchen - 1997 г. - 25 с.
35. Understanding LSTM - a tutorial into Long Short-Term Memory Recurrent Neural Networks - Ralf C. Staudemeyer, Eric Rothstein Morris - Machine Learning - 2019 г. - 42 с.
36. Long Short-Term Memory Recurrent Neural Network Architectures for Large Scale Acoustic Modeling - Hasim Sak, Andrew Senior, Francoise Beaufays - Google, USA - 2019 г. - 6 с.
37. Constructing Long Short-Term Memory based Deep Recurrent Neural Networks for Large Vocabulary Speech Recognition - Li, Xiangang; Wu, Xihong - 2014 г. - 29 с.
38. Autoencoders - Dor Bank, Noam Koenigstein, Raja Giryes - Deli - 2020 г. – 408 с.
39. Autoencoders, Unsupervised Learning, and Deep Architectures - Pierre Baldi - University of California, Irvine - 2012 г. – 14 с.
40. Автоэнкодеры и сильный искусственный интеллект - МГУ - Моржаков В. - Москва - 2015 г. - 50 с.
41. Deep Residual Learning for Image Recognition - Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun. - Microsoft Research - 2015 г. - 12 с.
42. Automatic Detection and Classification of Steel Surface Defect Using Deep Convolutional Neural Networks - Shuai Wang, Xiaojun Xia, Lanqing Ye - School of Computer Science and Technology, China - 2021 г. - 23 с.
43. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding - Jacob Devlin, Ming-Wei Chang, Kenton Lee, Kristina Toutanova - Google AI Language - 2018 г. - 16 с.
44. A Study of Modeling Rising Intonation in Cantonese Neural Speech Synthesis. - Qibing Bai, Tom Ko, Yu Zhang – ByteDance AI Lab - 2022 г. - 5 с.
45. https://www.image-net.org/.
46. A review of Generative Adversarial Networks (GANs) and its applications in a wide variety of disciplines - Ankan Dash, Junyi Ye, Guiling Wang - New Jersey Institute of Technology, USA - 2021 г. - 41 с.
47. https://ru.wikipedia.org/wiki/CUDA.
48. GPGPU Processing in CUDA Architecture - Jayshree Ghorpade, Jitendra Parande, Madhura Kulkarni, Amit Bawaskar - Departmentof Computer Engineering, MITCOE, Pune University, India - 2012 г. – 16 с.
49. LLVM: Генератор быстрого кода - Андрей Боровский -2010.
50. Memory-Based Lexical Acquisition and Processing - Walter Daelemans - Institute for Language Technology and AI, Tilburg University - 1994 г. - 18 с.
51. Deep Learning using Rectified Linear Units (ReLU) - Abien Fred Agarap – 2019 - 7 с.
52. On-the-fly Operation Batching in Dynamic Computation Graphs - Graham Neubig- Language Technologies Institute -2017 - 13 с.
Форма заказа новой работы
Не подошла эта работа?
Закажи новую работу, сделанную по твоим требованиям
