Details

Title: Разработка системы распознавания трёхмерных объектов по облакам точек на основе поля оптического потока с применением многослойной нейросети: дипломная работа: 230102
Creators: Эстерлейн Станислав Юрьевич
Scientific adviser: Сараджишвили Сергей Эрикович
Organization: Санкт-Петербургский политехнический университет Петра Великого. Институт компьютерных наук и технологий
Imprint: Санкт-Петербург, 2016
Collection: Выпускные квалификационные работы; Общая коллекция
Subjects: нейронные сети; искусственный интеллект; машинное обучение; распознавание образов; компьютерное зрение
Document type: Specialist graduation qualification work
File type: PDF
Language: Russian
Level of education: Specialist
Speciality code (OKSO): 230102
Speciality group (OKSO): 230000 - Информатика и вычислительная техника
DOI: 10.18720/SPBPU/2/v17-1222
Rights: Доступ по паролю из сети Интернет (чтение, печать, копирование)
Record key: RU\SPSTU\edoc\37285

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 Read Print Download
External organizations N2 All Read
External organizations N1 All
Internet Authorized users SPbPU Read Print Download
Internet Authorized users (not from SPbPU, N2) Read
Internet Authorized users (not from SPbPU, N1)
-> 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
    • 1.5. 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

stat Access count: 12052
Last 30 days: 0
Detailed usage statistics