📄Работа №125346
Тема: Выделение объекта из видеопотока с помощью глубинного обучения
Тип работы
Бакалаврская работа
Предмет
Нейронные сети
Объем:
35 листов
Год:
2017
Просмотров:
211
4750
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
Введение 3
Постановка задачи 5
Обзор литературы 6
Термины 7
Глава 1. Оценки производительности и точности 8
1.1. Точность и полнота 8
1.2. Пересечение по объединению 9
1.3. Mean Average Precision 10
Глава 2. Подходы к решению задачи 11
2.1. Алгоритмы на основе предположений регионов 11
2.2. Алгоритмы обрабатывающие изображение целиком 11
Глава 3. Алгоритмы, основанные на предположении регионов 13
3.1. Сверточная нейронная сеть 13
3.2. R-CNN 13
3.3. Fast R-CNN 15
3.4. Faster R-CNN 17
Глава 4. YOLO 19
4.1. Описание алгоритма 19
4.2. Описание архитектуры нейросети 21
4.3. YOLOv2 21
Глава 5. Модификация YOLO для задачи автопилота 23
Заключение 29
Приложения 30
Список литературы 34
Постановка задачи 5
Обзор литературы 6
Термины 7
Глава 1. Оценки производительности и точности 8
1.1. Точность и полнота 8
1.2. Пересечение по объединению 9
1.3. Mean Average Precision 10
Глава 2. Подходы к решению задачи 11
2.1. Алгоритмы на основе предположений регионов 11
2.2. Алгоритмы обрабатывающие изображение целиком 11
Глава 3. Алгоритмы, основанные на предположении регионов 13
3.1. Сверточная нейронная сеть 13
3.2. R-CNN 13
3.3. Fast R-CNN 15
3.4. Faster R-CNN 17
Глава 4. YOLO 19
4.1. Описание алгоритма 19
4.2. Описание архитектуры нейросети 21
4.3. YOLOv2 21
Глава 5. Модификация YOLO для задачи автопилота 23
Заключение 29
Приложения 30
Список литературы 34
📖 Введение
На сегодняшний день человечество шагнуло далеко вперед - появляется все больше сфер, где работа человека заменяется искусственным интеллектом.
Причин на то много: монотонность труда, человеческий фактор, неспособность конкурировать по скорости реакции, а в некоторых случаях неприспособленность нашего организма, наших органов чувств для работы в нестандартных ситуациях.
Например, управление автомобилем в условиях недостаточной видимости (тумана, снегопада, сумерек) может привести к дорожно-транспортным происшествиям, автопилот же может использовать лидары и различные датчики, чтобы «видеть сквозь осадки», при этом также не может быть ослеплен ярким солнцем. Уже сейчас существуют автомобили, способные управлять автомобилем на шоссе, с хорошей разметкой и видимостью дороги. В скором будущем автопилот будет управлять автомобилем безопаснее и лучше, чем человек. К тому же, автопилот может связываться с облачными сервисами и использовать данные для прокладки маршрута, избегая заторов на дорогах, поиска парковочного места и многое другое.
Одной из важнейших задач для реализации автопилота, является анализ изображения, а точнее - онлайн обработка видеопотока с камеры.
На сегодняшний день актуальной задачей в области цифровой обработки изображений является обнаружение и классификация объектов, которая подразумевает собой заключение объектов в обрамляющие окна и присвоение класса. При достижении высокой скорости работы алгоритма можно приблизиться к обработке видеопотока, представленного в виде набора последовательных изображений.
Результаты достижений в этой сфере широко применяются в разработке программного обеспечения для автопилотируемых технических средств, летательных аппаратов, всевозможных «ассистентов водителя», систем фиксации нарушения ПДД и во многих других направлениях.
Например, в дипломной работе Кулинкина А. Б. «Нейросетевое детектирование объектов в условиях ограниченного времени.» рассмотрена задача обнаружения предметов гардероба на изображении [1].
На мой взгляд, наиболее интересными и востребованными направлениями являются автопилот, «ассистент водителя» и анализ изображения с камер видеонаблюдения, которые требуют нахождения различных объектов с такими классами, как пешеход, автомобиль, мотоцикл, велосипед, светофор, дорожные и номерные знаки.
Причин на то много: монотонность труда, человеческий фактор, неспособность конкурировать по скорости реакции, а в некоторых случаях неприспособленность нашего организма, наших органов чувств для работы в нестандартных ситуациях.
Например, управление автомобилем в условиях недостаточной видимости (тумана, снегопада, сумерек) может привести к дорожно-транспортным происшествиям, автопилот же может использовать лидары и различные датчики, чтобы «видеть сквозь осадки», при этом также не может быть ослеплен ярким солнцем. Уже сейчас существуют автомобили, способные управлять автомобилем на шоссе, с хорошей разметкой и видимостью дороги. В скором будущем автопилот будет управлять автомобилем безопаснее и лучше, чем человек. К тому же, автопилот может связываться с облачными сервисами и использовать данные для прокладки маршрута, избегая заторов на дорогах, поиска парковочного места и многое другое.
Одной из важнейших задач для реализации автопилота, является анализ изображения, а точнее - онлайн обработка видеопотока с камеры.
На сегодняшний день актуальной задачей в области цифровой обработки изображений является обнаружение и классификация объектов, которая подразумевает собой заключение объектов в обрамляющие окна и присвоение класса. При достижении высокой скорости работы алгоритма можно приблизиться к обработке видеопотока, представленного в виде набора последовательных изображений.
Результаты достижений в этой сфере широко применяются в разработке программного обеспечения для автопилотируемых технических средств, летательных аппаратов, всевозможных «ассистентов водителя», систем фиксации нарушения ПДД и во многих других направлениях.
Например, в дипломной работе Кулинкина А. Б. «Нейросетевое детектирование объектов в условиях ограниченного времени.» рассмотрена задача обнаружения предметов гардероба на изображении [1].
На мой взгляд, наиболее интересными и востребованными направлениями являются автопилот, «ассистент водителя» и анализ изображения с камер видеонаблюдения, которые требуют нахождения различных объектов с такими классами, как пешеход, автомобиль, мотоцикл, велосипед, светофор, дорожные и номерные знаки.
✅ Заключение
В ходе работы были изучены алгоритмы обнаружения и классификации объектов на изображении. Алгоритм YOLO обучен для новых классов, полезных для задачи автопилота. Алгоритм показывает хорошие результаты работы онлайн, оставаясь точным, что дает возможность обрабатывать видеофрагменты. Выполнена обработка видеофрагмента и видеопотока с веб-камеры. Больше примеров работы обученного на наших классах алгоритма YOLO можно увидеть в Приложении 3. Промежуточные результаты работы оформлены в виде научной статьи и будут опубликованы в одном из периодических изданий, входящих в Российский индекс научного цитирования.
ИЛИ
Поиск аналога
📕 Список литературы
🖼 Скриншоты
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.