Details
Title | Исследование применения методов машинного обучения для повышения надежности распознавания объектов в изображениях: магистерская диссертация: 02.04.03 |
---|---|
Creators | Сенькин Дмитрий Сергеевич |
Scientific adviser | Пак Вадим Геннадьевич |
Organization | Санкт-Петербургский политехнический университет Петра Великого. Институт компьютерных наук и технологий |
Imprint | Санкт-Петербург, 2017 |
Collection | Выпускные квалификационные работы; Общая коллекция |
Subjects | Распознавание образов; Нейронные сети; Интернет; машинное обучение; компьютерное зрение |
UDC | 004.932.72'1.056(043.3); 004.738.5(043.3); 004.032.26(043.3) |
Document type | Master graduation qualification work |
File type | |
Language | Russian |
Level of education | Master |
Speciality code (FGOS) | 02.04.03 |
Speciality group (FGOS) | 020000 - Компьютерные и информационные науки |
DOI | 10.18720/SPBPU/2/v17-5957 |
Rights | Доступ по паролю из сети Интернет (чтение, печать, копирование) |
Record key | RU\SPSTU\edoc\48983 |
Record create date | 11/20/2017 |
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 |
Объектом исследования являются модели распознавания объектов в изображениях, в которых классификация объектов производится методами машинного обучения. Цель работы - сравнить эффективность применения различных методов машинного обучения для повышения надежности распознавания объектов в изображениях. В процессе работы проводилась адаптация моделей «визуального словаря» и сверточной нейронной сети, их программная реализация и экспериментальные исследования. В результате исследования были реализованы две различные модели для распознавания объектов в изображениях с надежностью распознавания 76,9±0,6% и 86,2±1,0%. Основными преимуществами модели «визуального словаря» являются: быстродействие, необходимость в меньшем количестве данных для обучения. Преимуществами модели сверточной нейронной сети можно назвать: высокую надежность распознавания, адаптивность к новым данным, достаточно высокую скорость обучения при использовании графического ускорителя в качестве исполнителя вычислений. Обе модели могут применяться для распознавания объектов в изображениях при разработке кроссплатформенных приложений, для модели сверточной нейронной сети рекомендуется клиент-серверная реализация.
Network | User group | Action |
---|---|---|
ILC SPbPU Local Network | All |
|
Internet | Authorized users SPbPU |
|
Internet | Anonymous |
|
Access count: 1748
Last 30 days: 0