Детальная информация

Название: Разработка системы обнаружения и распознавания объектов на изображениях на основе искусственных нейронных сетей в системах технического зрения: бакалаврская работа: 15.03.06
Авторы: Нижникова Виктория Сергеевна
Научный руководитель: Бахшиев Александр Валерьевич
Организация: Санкт-Петербургский политехнический университет Петра Великого. Институт металлургии, машиностроения и транспорта
Выходные сведения: Санкт-Петербург, 2017
Коллекция: Выпускные квалификационные работы; Общая коллекция
Тематика: Нейронные сети; Распознавание образов; Телевизионные камеры; Изображения; Робототехнические системы
Тип документа: Выпускная квалификационная работа бакалавра
Тип файла: PDF
Язык: Русский
Код специальности ФГОС: 15.03.06
Группа специальностей ФГОС: 150000 - Машиностроение
DOI: 10.18720/SPBPU/2/v17-4872
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

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.

Права на использование объекта хранения

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

Оглавление

  • 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

Статистика использования

stat Количество обращений: 49
За последние 30 дней: 0
Подробная статистика