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».

• 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