📄Работа №129106
Тема: Применение искусственных нейронных сетей в задачах распознавания изображений
Тип работы
Дипломные работы, ВКР
Предмет
информатика
Объем:
31 листов
Год:
2020
Просмотров:
272
4230
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
Цель и задачи 4
Обзор литературы 5
Глава 1. Искусственные нейронные сети 6
1.1. Модель искусственного нейрона 8
1.2. Сети прямого распространения 8
1.2.1. Многослойный персептрон 9
1.2.2. Обратное распространение ошибки 10
1.2.3. Свёрточные нейронные сети 13
1.3. Сети с обратными связями 13
1.3.1. LSTM 13
1.3.2. GRU 14
Глава 2. Постановка задачи. Описание набора данных 16
2.1. Набор данных и постановка задачи 16
2.2. Метрики обучения 17
2.3. Предобработка данных 18
2.4. Параметры обучения 19
2.5. Проблема переобучения сетей 20
Глава 3. Вычислительный эксперимент. Выводы 21
3.1. Выбранные параметры 21
3.2. Валидационное множество 21
3.3. Уверенность (confidence) 22
3.4. Реализованные архитектуры 22
3.4.1. LeNet-5 22
3.4.2. VGG 23
3.4.3. Сеть с LSTM ячейками 25
3.4.4. Сеть с GRU ячейками 25
3.5. Вычислительный эксперимент 26
3.6. Выводы 29
Заключение 30
Список литературы
Цель и задачи 4
Обзор литературы 5
Глава 1. Искусственные нейронные сети 6
1.1. Модель искусственного нейрона 8
1.2. Сети прямого распространения 8
1.2.1. Многослойный персептрон 9
1.2.2. Обратное распространение ошибки 10
1.2.3. Свёрточные нейронные сети 13
1.3. Сети с обратными связями 13
1.3.1. LSTM 13
1.3.2. GRU 14
Глава 2. Постановка задачи. Описание набора данных 16
2.1. Набор данных и постановка задачи 16
2.2. Метрики обучения 17
2.3. Предобработка данных 18
2.4. Параметры обучения 19
2.5. Проблема переобучения сетей 20
Глава 3. Вычислительный эксперимент. Выводы 21
3.1. Выбранные параметры 21
3.2. Валидационное множество 21
3.3. Уверенность (confidence) 22
3.4. Реализованные архитектуры 22
3.4.1. LeNet-5 22
3.4.2. VGG 23
3.4.3. Сеть с LSTM ячейками 25
3.4.4. Сеть с GRU ячейками 25
3.5. Вычислительный эксперимент 26
3.6. Выводы 29
Заключение 30
Список литературы
📖 Введение
Распознавание изображений имеет множество сфер применения, таких как видеонаблюдение (распознавание лиц), машинный перевод (перевод текстов с одного языка на другой), маркетинг (анализ изображений товаров), медицина (распознавание заболеваний на снимках), беспилотные автомобили (распознавание объектов на видео), поисковые системы и многие другие.
В настоящее время для распознавания изображений преимущественно используются искусственные нейронные сети. Они представляют из себя некоторую программно-реализуемую вычислительную модель, которая способна обрабатывать данные и на их основе обучаться решать поставленную ей задачу.
В 2010 году начался проект ImageNet Large Scale Visual Recognition Challenge (ILSVRC). В рамках которого разработчики ежегодно соревнуются в классификации изображений базы данных ImageNet. По состоянию на август 2017 года ImageNet состоит из более чем 14 миллионов изображений, разбитых на более чем 21 тысячу классов. Если в 2011 году лучшая верность предсказаний для задачи распознавания ImageNet составляла всего 50.9%, то на данный момент она составляет уже 88.5%. Это демонстрирует стремительные темпы развития в данной области.
Выпускная квалификационная работа состоит из введения, трёх глав, заключения и списка использованной литературы.
В первой главе приведены некоторые теоретические сведения, подводящие к понимаю искусственных нейронных сетей. В ней рассмотрены основные понятия, которые использованы при описании моделей распознавания.
Во второй главе раскрыта постановка задачи распознавания изображений. В ней также приведена информация про набор данных, его предобработку, а также некоторая информация про гиперпараметры обучения и метрики.
Третья глава посвящена вычислительному эксперименту. В этой главе описываются полученные результаты и проводится их анализ.
Формулируются выводы.
В заключении подводятся итоги проделанной работы.
Цель и задачи.
Данная работа посвящена решению задачи распознавания изображений с использованием искусственных нейронных сетей. Для распознавания был выбран набор изображений CIFAR-10, состоящий из 60 000 цветных изображений, принадлежащих 10-ти непересекающимся классам. Целью работы будет являться реализация нейронных сетей, способных, обучившись на одной части изображений, правильно классифицировать вторую часть набора.
Задачи:
1. Предобработка изображений набора.
2. Реализация нескольких архитектур искусственных нейронных сетей
3. Обучение сетей распознаванию набора изображений CIFAR-10.
4. Анализ и сравнение полученных результатов.
В настоящее время для распознавания изображений преимущественно используются искусственные нейронные сети. Они представляют из себя некоторую программно-реализуемую вычислительную модель, которая способна обрабатывать данные и на их основе обучаться решать поставленную ей задачу.
В 2010 году начался проект ImageNet Large Scale Visual Recognition Challenge (ILSVRC). В рамках которого разработчики ежегодно соревнуются в классификации изображений базы данных ImageNet. По состоянию на август 2017 года ImageNet состоит из более чем 14 миллионов изображений, разбитых на более чем 21 тысячу классов. Если в 2011 году лучшая верность предсказаний для задачи распознавания ImageNet составляла всего 50.9%, то на данный момент она составляет уже 88.5%. Это демонстрирует стремительные темпы развития в данной области.
Выпускная квалификационная работа состоит из введения, трёх глав, заключения и списка использованной литературы.
В первой главе приведены некоторые теоретические сведения, подводящие к понимаю искусственных нейронных сетей. В ней рассмотрены основные понятия, которые использованы при описании моделей распознавания.
Во второй главе раскрыта постановка задачи распознавания изображений. В ней также приведена информация про набор данных, его предобработку, а также некоторая информация про гиперпараметры обучения и метрики.
Третья глава посвящена вычислительному эксперименту. В этой главе описываются полученные результаты и проводится их анализ.
Формулируются выводы.
В заключении подводятся итоги проделанной работы.
Цель и задачи.
Данная работа посвящена решению задачи распознавания изображений с использованием искусственных нейронных сетей. Для распознавания был выбран набор изображений CIFAR-10, состоящий из 60 000 цветных изображений, принадлежащих 10-ти непересекающимся классам. Целью работы будет являться реализация нейронных сетей, способных, обучившись на одной части изображений, правильно классифицировать вторую часть набора.
Задачи:
1. Предобработка изображений набора.
2. Реализация нескольких архитектур искусственных нейронных сетей
3. Обучение сетей распознаванию набора изображений CIFAR-10.
4. Анализ и сравнение полученных результатов.
✅ Заключение
Таким образом, при выполнении данной работы были выполнены следующие задачи:
1. Предобработка набора изображений CIFAR-10.
2. Реализация четырех архитектур искуственных нейронных сетей: LeNet-
5, VGG, LSTM и GRU.
3. Обучение сетей распознаванию набора изображений CIFAR-10 с перебором различных параметров обучения.
4. Анализ и сравнение полученных результатов.
1. Предобработка набора изображений CIFAR-10.
2. Реализация четырех архитектур искуственных нейронных сетей: LeNet-
5, VGG, LSTM и GRU.
3. Обучение сетей распознаванию набора изображений CIFAR-10 с перебором различных параметров обучения.
4. Анализ и сравнение полученных результатов.
ИЛИ
Поиск аналога
📕 Список литературы
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.