Введение 3
Постановка задачи 5
Обзор литературы 6
Глава 1. Нейронные сети 7
1.1. Введение в нейронные сети 7
1.2. Функции активации 8
1.3. Обучение 9
1.4. Обратное распространение ошибки 10
Глава 2. Сверточные нейронные сети 13
2.1. Структура 13
2.2. LeNet 17
2.3. Советы при обучении 19
2.4. Архитектуры 19
2.4.1 AlexNet 19
2.4.2 ResNet 20
Глава 3. Практика 23
3.1. Описание базы данных 23
3.2. PyTorch 23
3.3. Transfer Learning 24
Глава 4. Результаты 26
Выводы 28
Заключение 29
Список литературы
Темой данной работы является создание модели для распознавания породы собак на изображении с помощью сверточных нейронных сетей. В современном мире уже нельзя не брать во внимание важность задачи рас-познавания изображений, ведь возможность автоматического распознавания изображений компьютером дает новые возможности для современной техники, а также вносит вклад в развитие науки. Самоуправляемые машины, системы обнаружения лиц и других объектов, распознавание рукописного текста - все это возможно благодаря автоматическому распознаванию изображений, и с решением таких задач отлично справляются нейронные сети.
Сверточные нейронные сети в последние несколько лет получают все большее развитие в связи с колоссальными успехами на ежегодном соревновании по распознаванию изображений ImageNet[1]. Часто выходят статьи о классификации различных объектов и о компьютерном зрении в целом. Это повышает интерес к данной области и эта область не стоит на месте. Также интерес к нейронным сетям повышается в следствии значительного повышения вычислительных мощностей существующих компьютеров и использования графических карт для вычислений. Именно они ускоряют вычисления и позволяют обучать нейронные сети сложной структуры и большой глубины. Они же и показывают высокие результаты в различных задачах. Такое направление и получило название глубокое обучение(англ. deep learning).
Задача распознавания изображений часто требует отдельного подхода в зависимости от типов изображений и является очень обширной, что не позволяет рассмотреть ее полностью в одном исследовании. Следовательно, было принято решение рассмотреть на примере отдельную подзадачу распознавания изображений — распознавание породы собак. Это исследование важно и актуально, потому что его можно применить к решению схожих задач, где исследуется один объект, но нужно отличать много классов по мелким признакам на картинке. Также это исследование имеет практическое применение в современном мире для безопасности людей. С помощью такой системы можно различать собак на бойцовые породы и нет. По закону к выгулу бойцовых пород предъявляются особые требования(намордник, поводок, бирка). Во многих городах на улицах расположены камеры и их можно использовать во благо. То есть, система могла бы находить нарушителей и делать уведомление в полицию.
В данной выпускной квалификационной работе были достигнуты следующие результаты:
• Сделан обзор предметной области
• Сделан обзор на используемые архитектуры
• Выбран и подготовлен набор данных для обучения
• Выбрана архитектура сверточной нейронной сети и реализована
• Сеть обучена и ее работа проверена на тестовом множестве
• Представлены графики для сравнения результатов используемых архитектур
Для решения задачи распознавания породы собак была предложена модель, основанная на ResNet152. Модель была дообучена на базе данных Stanford Dogs Dataset с использованием графического процессора. Сверточная нейронная сеть достигла хорошей точности, учитывая, что решалась задача многоклассовой классификации. Ее можно пробовать улучшать и применять для решения схожих задач, где исследуется один объект, но имеется много разных видов. Также можно задуматься о применении данной модели в реальной жизни для разделения собак на бойцовые и не бойцовые породы и сделать окружающий мир безопаснее.
