Тип работы:
Предмет:
Язык работы:


Обнаружение и распознавание потребительских товаров на изображениях на основе свёрточных нейронных сетей

Работа №125465

Тип работы

Бакалаврская работа

Предмет

нейронные сети

Объем работы28
Год сдачи2016
Стоимость4700 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
67
Не подходит работа?

Узнай цену на написание


Введение 4
1. Постановка задачи 5
2. Описание и подготовка данных 6
3. Специфика задачи 8
4. Метрики оценки качества 10
5. Существующие подходы к локализации объектов на изображении 12
5.1. Контурный анализ 12
5.2. HOG/SVM 13
5.3. Свёрточные нейронные сети 15
5.3.1. R-CNN 17
5.3.2. YOLO 18
6. Предложенный алгоритм локализации напитков 19
7. Классификация напитков 22
8. Результаты 24
9. Недостатки предложенного подхода 26
Заключение 27
Список литературы 28

Прорывы, произошедшие в компьютерном зрении в последние несколько лет, открыли ранее недостижимые горизонты и вдохновили специалистов искать новые сферы применения технологиям компьютерного зрения.
Одна из таких новых задач, которую всё чаще ставят перед собой крупные зарубежные торговые холдинги, - это задача автоматической проверки правильности раскладки товаров на полках магазинов.
Выкладка товаров является особым инструментом достижения целей мерчендайзинга. Практика показала, что отдельные точки пространства торгового зала магазина по-разному стимулируют продажи. Следовательно, товары и их марки могут получить конкурентные преимущества в зависимости от занимаемых ими мест на прилавках.
Раскладку товара нужно периодически, по мере опустошения полок, корректировать, а необходимость этого - сначала проверить. Кроме того, такая проверка требуется начальству торгового заведения для оценки качества работы соответствующего персонала. Сейчас этим, за редким исключением, занимаются люди, что стоит торговым сетям ощутимых денег. Закономерно, что появилось желание ради сокращения издержек проверять раскладку товара автоматически. А в последние годы, в связи с прорывами в области компьютерного зрения, подобные автоматические системы становятся реальностью. Схема работы следующая:
1. Сотрудник магазина или аппаратура делает снимок витрины
2. На изображении находятся и распознаются товары
3. Расположение товаров сравнивается с планограммой, генерируется отчёт о выкладке
Сложная часть схемы - второй пункт, автоматическое обнаружение и распознавание товара на фото. Именно это и является предметом исследования в данной работе.

Возникли сложности?

Нужна помощь преподавателя?

Помощь студентам в написании работ!


В рамках работы были выполнены следующие задачи:
• Написано приложение с графический интерфейсом для разметки и подготовки данных
• Разработан гибридный алгоритм локализации напитков на фотографиях магазинных прилавков. Предложенный алгоритм использует специфику задачи и сочетает HOG-дескрипторы и SVM с глубокими нейронными сетями.
• Спроектированы и обучены нейронные сети, распознающие определённые виды бутылок и банок. Внесённая модификация (SVM с замороженными параметрами) позволила добиться удовлетворительной точности для бутылок даже на тех классах, для которых было очень мало тренировочных данных.


[1] N. Dalal, B. Triggs. Histograms of oriented gradients for human detection. In Computer Vision and Pattern Recognition, 2005. CVPR 2005. IEEE Computer Society Conference on, volume 1, pages 886-893. IEEE, 2005.
[2] R. Girshick, J. Donahue, T. Darrell, J. Malik. Rich feature hierarchies for accurate object detection and semantic segmentation. arXiv:1311.2524
[3] J. R. Uijlings, K. E. van de Sande, T. Gevers, A. W. Smeulders. Selective search for object recognition. International journal of computer vision, 104(2):154-171, 2013.
[4] C. L. Zitnick and P. Dollar. Edge boxes: Locating object proposals from edges. In Computer Vision-ECCV 2014, pages 391-405. Springer, 2014.
[5] J. Redmon, S. Divvala, R. Girshick, A. Farhadi. You Only Look Once: Unified, Real-Time Object Detection. arXiv:1506.02640v4
[6] Y. Tang. Deep Learning using Linear Support Vector Machines. arXiv:1306.0239
[7] A. Nokland. Improving Back-Propagation by Adding an Adversarial Gradient. arXiv:1510.04189v2
[8] K. He, X. Zhang, S. Ren, J. Sun. Deep Residual Learning for Image Recognition. arXiv:1512.03385


Работу высылаем на протяжении 30 минут после оплаты.



Подобные работы


©2024 Cервис помощи студентам в выполнении работ