Table | Card | RUSMARC | |
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 |
Annotation
Объектом исследования в данной работе являются современные методы машинного обучения и распознавания образов. Цель работы: разработка основы для интегрированной автоматизированной гибридной системы обнаружения объектов многофункционального беспилотного комплекса «Орлан-10», входящего в состав системы управления тактическим звеном ЕСУ ТЗ и комплекса радиоэлектронной борьбы РБ-341В «Леер-3».
Document access rights
Network | User group | Action | ||||
---|---|---|---|---|---|---|
ILC SPbPU Local Network | All | |||||
Internet | Authorized users SPbPU | |||||
Internet | Anonymous |
Table of Contents
- Реферат
- Обозначения и сокращения
- Введение
- 1. Обзор классических методов в проблематике дисциплин машинного обучения, компьютерного зрения и распознавания образов
- 1.1. Введение в машинное обучение
- 1.2. Введение в теорию распознавания образов
- 1.3. Введение в компьютерное зрение
- 1.4. Классические методы машинного обучения, распознавания образов и компьютерного зрения
- 1.4.1. Фильтрация
- 1.4.1.1. Бинаризация по порогу, выбор области гистограммы
- 1.4.1.2. Преобразование Фурье
- 1.4.1.3. Фильтры частот
- 1.4.1.4. Вейвлет-преобразование
- 1.4.1.5. Вычисление показателей корреляции
- 1.4.1.6. Фильтры функций
- 1.4.1.7. Фильтры контуров
- 1.4.1.8. Другие фильтры
- 1.4.2. Анализ
- 1.4.2.1. Математическая морфология
- 1.4.2.2. Контурный анализ
- 1.4.2.3. Поиск особых точек (feature detection)
- 1.4.2.4. Детектор MSER (Maximally Stable Extremal Regions)
- 1.4.2.5. DoG (Difference of Gaussian)
- 1.4.2.6. Детекторы углов Моравеца и Харриса
- 1.4.2.7. SUSAN (Smallest Univalue Segment Assimilation Nucleus)
- 1.4.2.8. Оператор Тряковица
- 1.4.2.9. CSS (Curvature Scale Space)
- 1.4.2.10. Детектор FAST (Features from Accelerated Test)
- 1.4.2.11. Другие детекторы
- 1.4.2.12. Дескрипторы особых точек
- 1.4.2.13. Дескриптор SIFT (Scale Invariant Feature Transform)
- 1.4.2.14. Дескрипторы PCA-SIFT, GLOH и DAISY
- 1.4.2.15. Дескриптор SURF (Speeded Up Robust Features)
- 1.4.2.16. Другие детекторы и дескрипторы особых точек
- 1.4.2.17. SFM (Structure from Motion)
- 1.4.2.18. Оптический поток
- 1.4.2.19. Bundle Adjustment
- 1.4.1. Фильтрация
- 1.5. Искусственная нейронная сеть
- 1.5.1. Архитектура ИНС
- 1.5.2. Виды многослойных ИНС
- 1.5.2.1. Перцептрон
- 1.5.2.2. Нейронная сеть Кохонена
- 1.5.2.3. Когнитрон и неокогнитрон, свёрточная нейронная сеть
- 1.5.2.4. Рекуррентная нейронная сеть
- 1.5.2.5. Современные глубокие нейронные сети
- 1.5.3. Функции активации нейронов
- 1.5.3.1. Пороговая функция активации
- 1.5.3.2. Линейная функция активации
- 1.5.3.3. Сигмоидальная функция активации
- 1.5.3.4. Гиперболический тангенс
- 1.5.3.5. ReLU (Rectified Linear Unit)
- 1.5.4. Обучение нейронных сетей
- 1.5.4.1. Обучение с учителем
- 1.5.4.2. Обучение без учителя
- 1.5.4.3. Метод обратного распространения ошибки (Backprop)
- 1.5.4.4. Генетические алгоритмы
- 1.5.4.5. Дополнительные методы, используемые при обучении сети
- 1.5.4.6. Dropout
- 1.5.4.7. Другие методы регуляризации
- 1.5.5. Современные гибридные архитектуры глубокого обучения
- 1.5.5.1. Softmax-слои
- 1.5.5.2. Субдискретизация, Max-Pooling-слои
- 1.5.5.3. LeNet
- 1.5.5.4. AlexNet
- 1.5.5.5. GoogLeNet, Inception
- 1.5.5.6. ResNet (Residual Network), Inception-ResNet
- 1.5.6. Сравнение библиотек глубокого обучения
- 1.5.6.1. Torch
- 1.5.6.2. Theano
- 1.5.6.3. Caffe
- 2. Разработка системы распознавания
- 2.1. Общее описание параллельного алгоритма
- 2.2. Описание алгоритма взаимодействия двух нейросетей, работающих с данными разных размерностей
- 2.3. Выбор архитектуры нейросетей
- 2.3.1. Модель Caffe
- 2.3.2. Базовая архитектура нейросети
- 2.3.3. Архитектура нейросети для двухмерных данных
- 2.3.4. Архитектура нейросети для трёхмерных данных
- 2.4. Описание алгоритма SFM для формирования трёхмерных данных
- 2.4.1. Bundler SFM
- 3. Реализация алгоритмов и обучение нейросетей
- 3.1. Используемое оборудование и программное обеспечение
- 3.2. Выбор моделей для проведения эксперимента
- 3.3. Подготовка обучающей выборки для первой нейросети
- 3.4. Подготовка обучающей выборки для второй нейросети
- 3.5. Обучение классификаторов
- 4. Результаты испытания системы
- Заключение
- Список использованных источников
Usage statistics
Access count: 12054
Last 30 days: 0 Detailed usage statistics |