Данная работа представляет исследование нейронной сети Faster R-CNN для обнаружения и распознавания частей международной космической станции. В результате исследования был получен детектор-классификатор для определения координат частей МКС на фотографиях.

• Введение
• 1 Анализ проблемы обнаружения особых конструкций на МКС в системе стыковки
  • 1.1 Алгоритм решения задачи поиска и определения объектов
  • 1.2 Классические методы обнаружения объектов на изображении
  • 1.3 Каскадные классификаторы
  • 1.4 Нейронные сети
  • 1.5 Цели и задачи работы
  • 1.6 Выводы
• 2 Анализ архитектур нейронных сетей для решения задачи
  • 2.1 DetectNet
  • 2.2 Yolo
  • 2.3 SSD: Single Shot MultiBox Detector
  • 2.4 Faster R-CNN
  • 2.5 Выводы
• 3 Математическое описание работы сети
  • 3.1 Описание работы основных слоев нейронной сети
    • 3.1.1 Сверточный слой
    • 3.1.2 Полносвязный слой
    • 3.1.3 Слой активации (ReLU)
    • 3.1.4 Объединяющий слой (pooling)
    • 3.1.5 Обучение сети
  • 3.2 Описание сети Faster R-CNN
  • 3.3 Описание блоков RPN R-CNN и конфигурация сети
    • 3.3.1 Описание блоков сети RPN и RCNN
    • 3.3.2 Чередующееся обучение (Alternating training)
    • 3.3.3 Приближенное обучение (Approximate joint training)
    • 3.3.4 Точное обучение (Non-approximate joint training)
    • 3.3.5 Четырехэтапное чередующееся обучение (4-Step Alternating Training)
  • 3.4 Выводы
• 4 Разработка и исследование системы распознавания
  • 4.1 План экспериментальных исследований
  • 4.2 Анализ входных данных
  • 4.3 Подготовка и написание программ тестирования нейронных сетей
  • 4.4 Модификация Faster R-CNN для удобства обучения
  • 4.5 Подготовка данных к обучению
  • 4.6 Обучение нейронных сетей. Исследование влияния данных и гиперпараметров на процесс обучения
    • 4.6.1 Обучение с использованием предобученной модели imagenet
    • 4.6.2 Получение предобученной модели
    • 4.6.3 Использование четырехэтапного алгоритма обучения
  • 4.7 Выводы
• Заключение
• Список используемых источников