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 PDF
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
Read Print Download
Internet Authorized users SPbPU
Read Print Download
Internet Anonymous

Access count: 1748 
Last 30 days: 0

Detailed usage statistics