Details

Title Разработка системы обнаружения и распознавания объектов на изображениях на основе искусственных нейронных сетей в системах технического зрения: бакалаврская работа: 15.03.06
Creators Нижникова Виктория Сергеевна
Scientific adviser Бахшиев Александр Валерьевич
Organization Санкт-Петербургский политехнический университет Петра Великого. Институт металлургии, машиностроения и транспорта
Imprint Санкт-Петербург, 2017
Collection Выпускные квалификационные работы ; Общая коллекция
Subjects Нейронные сети ; Распознавание образов ; Телевизионные камеры ; Изображения ; Робототехнические системы
Document type Bachelor graduation qualification work
File type PDF
Language Russian
Level of education Bachelor
Speciality code (FGOS) 15.03.06
Speciality group (FGOS) 150000 - Машиностроение
DOI 10.18720/SPBPU/2/v17-4872
Rights Доступ по паролю из сети Интернет (чтение, печать, копирование)
Record key RU\SPSTU\edoc\46048
Record create date 10/25/2017

Allowed Actions

Action 'Read' will be available if you login or access site from another network

Action 'Download' will be available if you login or access site from another network

Group Anonymous
Network Internet

В данной работе описана разработка системы определения пространственного положения ключевых точек скелета человека по одиночному изображению с телевизионной камеры. Система основана на нейронных сетях VGG-16 и ResNet-101, для которых подобраны оптимальные гиперпараметры и проведено обучение.

Network User group Action
ILC SPbPU Local Network All
Read Print Download
Internet Authorized users SPbPU
Read Print Download
Internet Anonymous
  • Введение
  • 1 Обзор архитектур сверточных нейронных сетей и библиотек прототипирования
    • 1.1 Нейронные сети
    • 1.2 Первая сверточная нейронная сеть LeNet
    • 1.3 Вычисление на графическом ускорителе, архитектура AlexNet
    • 1.4 Методы предотвращения переобучения
    • 1.5 Архитектуры VGG-16, VGG-19
    • 1.6 Сеть внутри сети (Сascaded Сross Сhannel Parameteric pooling)
    • 1.7 Полностью сверточная сеть (fully convolutional network)
    • 1.8 Архитектура Google Inception
    • 1.9 Архитектура ResNet
    • 1.10 Обзор основных пакетов для работы с нейронными сетями
      • 1.10.1 Theano
      • 1.10.2 Torch
      • 1.10.3 TensorFlow
      • 1.10.4 Caffe
      • 1.10.5 Сравнение библиотек глубокого обучения
    • 1.11 Формулировка целей работы
    • 1.12 Выводы по разделу
  • 2 Математическое описание
    • 2.1 Основные слои сверточных нейронных сетей
    • 2.2 Алгоритмы оптимизации функции ошибки
      • 2.2.1 Общий вид алгоритма оптимизации функции ошибки
      • 2.2.2 Стохастический градиентный спуск
      • 2.2.3 Ускоренный градиентный спуск Нестерова (NAG)
      • 2.2.4 Адаптивный градиентный спуск Adagrad
      • 2.2.5 Pобастный метод подбора скорости обучения - Adadelta
      • 2.2.6 Метод оптимизации RMSprop
      • 2.2.7 Метод оптимизации Adam
    • 2.3 Структура сети VGG-16, размерности слоев
    • 2.4 Структура сети ResNet-101, размерности слоев
    • 2.5 Выводы по разделу
  • 3 Разработка системы обнаружения и распознавания объектов на изображениях на основе искусственных нейронных сетей
    • 3.1 Разработка системы обнаружения и распознавания
    • 3.2 Структура разработанных программных модулей для обучения нейронных сетей
    • 3.3 Модуль подготовки данных
    • 3.4 Модуль подбора гиперпараметров
    • 3.5 Система обнаружения и распознавания и модуль тестирования
  • 4 Разработка системы решения задачи регрессии и экспериментальные исследования
    • 4.1 Подготовка данных для обучения нейронной сети
      • 4.1.1 Описание исходных данных
    • 4.2 Создание сети на основе VGG-16 и обучение с экспериментально подобранными параметрами
    • 4.3 Базовый подбор гиперпараметров для VGG-16. Обучение с оптимальными параметрами
    • 4.4 Базовый подбор гиперпараметров для ResNet-101. Обучение с оптимальными параметрами
    • 4.5 Сравнение значений ошибки для обученных нейронных сетей
    • 4.6 Визуальное тестирование обученных нейронных сетей
    • 4.7 Выводы по разделу
  • Заключение
  • Список используемой литературы

Access count: 233 
Last 30 days: 0

Detailed usage statistics