
Тип работы:	Предмет:	Язык работы:

Глубокие нейронные сети для сегментации изображений

Работа №	114888
Тип работы	Рефераты
Предмет	нейронные сети
Объем работы	35
Год сдачи	2022
Стоимость	2900 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено	73

Не подходит работа?

Узнай цену на написание

Содержание

Введение 3
1. Развитие компьютерного зрения 4
2. Виды нейронных сетей 6
3. Нейронные сети и сегментация изображений 20
Заключение 31
Список литературы 32

Введение

Актуальность. Сегодня предприятия различного профиля сталкиваются с необходимостью обработки больших объемов данных содержащих фото- и видеоинформацию об интересующих объектах и процессах. От скорости и качества обработки этих данных зависит эффективность работы компании и конечная стоимость произведенного продукта. Справиться с растущими информационными потоками помогают технологии искусственного интеллекта. В их основе лежат алгоритмы машинного обучения, сочетающие в себе искусственные нейронные сети и системы компьютерного зрения.
При анализе визуальной информации важную роль играют границы интересующих объектов на изображениях и методы их выделения, поскольку границы – это наиболее информативная часть изображений. Несмотря на то, что проблема выделения границ известна и изучается давно, ей всегда уделяется большое внимание, ввиду ее сложности и важности для практического применения. Соответственно, и методов решения этой проблемы предложено достаточно много.

Возникли сложности?

Нужна помощь преподавателя?

Помощь студентам в написании работ!

ДИПЛОМНЫЕ МАГИСТЕРСКИЕ ДИССЕРТАЦИИ

Курсовые Статьи Диплом Рязань

Заключение

Таким образом, изобретение нейронных сетей произвело революцию в создании искусственного интеллекта и позволило реализовать новый класс задач. Основная идея использования нейросетей – решение сложных задач, для которых стоит лишь задать некоторый критерий качества, который будет минимизирован или оптимизирован. Нейронная сеть способна обучаться решению задач, для которых у человека не существует формализованных, быстрых или работающих с приемлемой точностью теоретических или эмпирических алгоритмов.

Литература

1. Аггавал Чару. Нейронные сети и глубокое обучение. – Висьямс, 2020 – 412 с.
2. Антонова П. Введение в искусственный интеллект: Теоретические основы СИИ. - LAMBERT Academic Publishing, 2019 – 251 с.
3. Белим С.В., Кутлунин П.Е. Выделение контуров на изображениях с помощью алгоритма кластеризации // Компьютерная оптика. 2015. Т. 39. №. 1. С. 119-124.
4. Белим С.В., Ларионов С.Б. Алгоритм сегментации изображений, основанный на поиске сообществ на графах // Компьютерная оптика. 2016. Т. 40. № 6. С. 904-910.
5. Горбачев В. А., Криворотов И. А., Маркелов А. О., Котлярова Е. В. Семантическая сегментация спутниковых снимков аэропортов с помощью сверточных нейронных сетей М. : Компьютерная оптика. 2020. Вып. 44 (4). С.22-99
6. Дубровин К.Н., Об алгоритмах компьютерного зрения для поиска порывов в сетчатых ограждающих конструкциях / А.С. Смагин // Вычислительные технологии. – Т. 24. – № 6. – 2019. – С. 117-124.
7. Дубровин К. Н., Об алгоритмах компьютерного зрения для поиска порывов в сетчатых ограждающих конструкциях / А.С. Смагин // Информационные технологии и высокопроизводительные вычисления: материалы V Международной научно-практической конференции «Информационные технологии и высокопроизводительные вычисления», Хабаровск, 16 – 19 сентября 2019 года – Хабаровск: Тихоокеанский государственный университет, 2019. – С. 42-47
8. Канищев Д. С. Автоматическая сегментация речи методами кластеризации и с применением метода Оцу. Киров : Вятский государственный университет, 2019.
9. Каздорф С. Я., Першина Ж. С. Алгоритм семантической сегментации трехмерных сцен. Новосибирск : Новосиб. гос. техн. ун-т, 2019.
10. Николенко С. Глубокое обучение. Погружение в мир нейронных сетей. СПб.: Питер, 2018. 480 с.
11. Приставка П. А. Рыбаков М. С. Исследование алгоритмов бинаризации в задачах машинного распознавания оптических меток : магистер. дис. Новосибирск : СибГУТИ, 2019.
12. Соболь Б. В., Соловьев А. Н., Васильев П. В., Подколзина Л. А. Модель глубокой сверточной нейронной сети в задаче сегментации трещин на изображениях асфальта // Вестник Донского государственного технического университета. 2019. Т. 19, № 1. C. 63-73.
13. Сергеев В.В. «Активная система подводного видения для автономных необитаемых подводных аппаратов». Вопросы радиоэлектроники, сер. Техника телевидения, 2019, №2, с. 53-61.
14. Себастьян Рашка «Python и машинное обучение: машинное и глубокое обучение с использованием python, scikit-learn и tensorflow». - Москва, 2019 – 452 с.
15. Тужилкин А. С. Разработка и исследование алгоритма поиска положения особых точек в системах технического зрения летательных аппаратов // Вестник Концерна ВКО «Алмаз-Антей». 2018. № 1.
...всего 26 источников