С 17 марта 2020 г. для ресурсов (учебные, научные, материалы конференций, статьи из периодических изданий, авторефераты диссертаций, диссертации) ЭБ СПбПУ, обеспечивающих образовательный процесс, установлен особый режим использования. Обращаем внимание, что ВКР/НД не относятся к этой категории.

Details

Title: Разработка системы обнаружения и распознавания объектов на изображениях на основе искусственных нейронных сетей в системах технического зрения: бакалаврская работа: 15.03.06
Creators: Нижникова Виктория Сергеевна
Scientific adviser: Бахшиев Александр Валерьевич
Organization: Санкт-Петербургский политехнический университет Петра Великого. Институт металлургии, машиностроения и транспорта
Imprint: Санкт-Петербург, 2017
Collection: Выпускные квалификационные работы; Общая коллекция
Subjects: Нейронные сети; Распознавание образов; Телевизионные камеры; Изображения; Робототехнические системы
Document type: Bachelor graduation qualification work
File type: PDF
Language: Russian
Speciality code (FGOS): 15.03.06
Speciality group (FGOS): 150000 - Машиностроение
DOI: 10.18720/SPBPU/2/v17-4872
Rights: Свободный доступ из сети Интернет (чтение, печать)

Allowed Actions:

Action 'Read' will be available if you login or access site from another network

Group: Anonymous

Network: Internet

Annotation

В данной работе описана разработка системы определения пространственного положения ключевых точек скелета человека по одиночному изображению с телевизионной камеры. Система основана на нейронных сетях VGG-16 и ResNet-101, для которых подобраны оптимальные гиперпараметры и проведено обучение.

Document access rights

Network User group Action
ILC SPbPU Local Network All Read Print
Internet Authorized users Read Print
-> Internet Anonymous

Table of Contents

  • Введение
  • 1 Обзор архитектур сверточных нейронных сетей и библиотек прототипирования
    • 1.1 Нейронные сети
    • 1.2 Первая сверточная нейронная сеть LeNet
    • 1.3 Вычисление на графическом ускорителе, архитектура AlexNet
    • 1.4 Методы предотвращения переобучения
    • 1.5 Архитектуры VGG-16, VGG-19
    • 1.6 Сеть внутри сети (Сascaded Сross Сhannel Parameteric pooling)
    • 1.7 Полностью сверточная сеть (fully convolutional network)
    • 1.8 Архитектура Google Inception
    • 1.9 Архитектура ResNet
    • 1.10 Обзор основных пакетов для работы с нейронными сетями
      • 1.10.1 Theano
      • 1.10.2 Torch
      • 1.10.3 TensorFlow
      • 1.10.4 Caffe
      • 1.10.5 Сравнение библиотек глубокого обучения
    • 1.11 Формулировка целей работы
    • 1.12 Выводы по разделу
  • 2 Математическое описание
    • 2.1 Основные слои сверточных нейронных сетей
    • 2.2 Алгоритмы оптимизации функции ошибки
      • 2.2.1 Общий вид алгоритма оптимизации функции ошибки
      • 2.2.2 Стохастический градиентный спуск
      • 2.2.3 Ускоренный градиентный спуск Нестерова (NAG)
      • 2.2.4 Адаптивный градиентный спуск Adagrad
      • 2.2.5 Pобастный метод подбора скорости обучения - Adadelta
      • 2.2.6 Метод оптимизации RMSprop
      • 2.2.7 Метод оптимизации Adam
    • 2.3 Структура сети VGG-16, размерности слоев
    • 2.4 Структура сети ResNet-101, размерности слоев
    • 2.5 Выводы по разделу
  • 3 Разработка системы обнаружения и распознавания объектов на изображениях на основе искусственных нейронных сетей
    • 3.1 Разработка системы обнаружения и распознавания
    • 3.2 Структура разработанных программных модулей для обучения нейронных сетей
    • 3.3 Модуль подготовки данных
    • 3.4 Модуль подбора гиперпараметров
    • 3.5 Система обнаружения и распознавания и модуль тестирования
  • 4 Разработка системы решения задачи регрессии и экспериментальные исследования
    • 4.1 Подготовка данных для обучения нейронной сети
      • 4.1.1 Описание исходных данных
    • 4.2 Создание сети на основе VGG-16 и обучение с экспериментально подобранными параметрами
    • 4.3 Базовый подбор гиперпараметров для VGG-16. Обучение с оптимальными параметрами
    • 4.4 Базовый подбор гиперпараметров для ResNet-101. Обучение с оптимальными параметрами
    • 4.5 Сравнение значений ошибки для обученных нейронных сетей
    • 4.6 Визуальное тестирование обученных нейронных сетей
    • 4.7 Выводы по разделу
  • Заключение
  • Список используемой литературы

Document usage statistics

stat Document access count: 196
Last 30 days: 10
Detailed usage statistics