Детальная информация

Название: Разработка системы распознавания трёхмерных объектов по облакам точек на основе поля оптического потока с применением многослойной нейросети: дипломная работа: 230102
Авторы: Эстерлейн Станислав Юрьевич
Научный руководитель: Сараджишвили Сергей Эрикович
Организация: Санкт-Петербургский политехнический университет Петра Великого. Институт компьютерных наук и технологий
Выходные сведения: Санкт-Петербург, 2016
Коллекция: Выпускные квалификационные работы; Общая коллекция
Тематика: нейронные сети; искусственный интеллект; машинное обучение; распознавание образов; компьютерное зрение
Тип документа: Выпускная квалификационная работа специалиста
Тип файла: PDF
Язык: Русский
Код специальности ОКСО: 230102
Группа специальностей ОКСО: 230000 - Информатика и вычислительная техника
DOI: 10.18720/SPBPU/2/v17-1222
Права доступа: Доступ по паролю из сети Интернет (чтение, печать, копирование)

Разрешенные действия:

Действие 'Прочитать' будет доступно, если вы выполните вход в систему или будете работать с сайтом на компьютере в другой сети Действие 'Загрузить' будет доступно, если вы выполните вход в систему или будете работать с сайтом на компьютере в другой сети

Группа: Анонимные пользователи

Сеть: Интернет

Аннотация

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».

Права на использование объекта хранения

Место доступа Группа пользователей Действие
Локальная сеть ИБК СПбПУ Все Прочитать Печать Загрузить
Интернет Авторизованные пользователи Прочитать Печать Загрузить
-> Интернет Анонимные пользователи

Оглавление

  • 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

Статистика использования

stat Количество обращений: 12046
За последние 30 дней: 0
Подробная статистика