Тип работы:
Предмет:
Язык работы:


«Разработка ПО для определения пола человека по изображению»

Работа №137174

Тип работы

Бакалаврская работа

Предмет

математика и информатика

Объем работы43
Год сдачи2023
Стоимость4850 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
55
Не подходит работа?

Узнай цену на написание


Аннотация 2
Введение 5
1 Современное состояние задачи определения пола человека по
изображению 7
1.1 Методы и технологии определения пола человека по
изображению 7
1.2 Определение пола человека по изображению с применением
нейронных сетей 11
1.3 Обзор аналогов 16
2 Разработка программного обеспечения 21
2.1 Выбор средств разработки 21
2.2 Подготовка данных для обучения 22
2.3 Проектирование нейросети 26
2.4 Обучение сети 28
3 Тестирование программного обеспечения 32
3.1 План тестирования и подготовка данных 32
3.2 Результаты тестирования 33
Заключение 39
Список используемой литературы и используемых источников 40

Демографические характеристики человека играют важную роль во многих сфера жизни общества: сфере рекламы, охраны права, развлечения, обслуживания и др.
Автоматизированное распознавание таких характеристик человека по изображению лица может быть использовано, например:
• в таргетированном маркетинге, где релевантная для аудитории реклама или информация может транслироваться с цифровых рекламных щитов;
• при сборе данных для дальнейшего анализа: например, при разработке маркетингового плана или проведении таргетированных мероприятий;
• для контентного поиска, где наличие таких характеристик существенно упрощает пространство поиска;
• при взаимодействии компьютер - человек: для подстройки контекста общения в соответствии с полом.
Реализация многих из описанных практических возможностей применения автоматического распознавания требует непрерывной обработки видеопотока, при этом вычисления должны занимать минимально возможное количество времени, чтобы предоставить запас для дальнейших этапов обработки.
Широкому применению систем автоматизированного распознавания должна способствовать низкая вычислительная сложность наряду с обеспечением высокой точности работы и возможностью корректной работы на встроенных платформах без использования графических ускорителей.
Поэтому тема работы, направленная на распознавание пола человека по фотографии является актуальной.
Цель работы - разработка программного обеспечения для определения пола человека по изображению.
Для достижения цели в работе решены следующие задачи:
• исследовано современное состояние задачи определения пола человека по изображению;
• разработано программное обеспечение;
• выполнено тестирование программного обеспечения.
Объект - системы интеллектуального анализа изображений.
Предмет - программное обеспечение для определения пола человека по изображению.
Работа состоит из трех разделов.
В первом разделе проведен анализ современных технологий распознавания лиц, изучено применение нейронных сетей для решения этой задачи и рассмотрены программы-аналоги.
Во втором разделе выполнена разработка программы определения пола человека по изображению, разработан обучающий датасет, проведено обучение нейросети.
В третьем разделе проведено тестирование разработанной программы - разработан набор тестовых данных, проведено тестирование и
проанализированы полученные результаты.
Разработанная программа позволяет определять пол человека по
изображению, как на сгенерированных фотографиях, так и на фотографиях реальных персон.

Возникли сложности?

Нужна помощь преподавателя?

Помощь в написании работ!


В ходе анализа современных методов определения пола человека по изображению рассмотрены такие методы как Метод гибкого сравнения на графах (Elastic graph matching), Нейронные сети Метод главных компонент или principal component analysis (PCA) и определены их достоинства и недостатки. В результате выбран метод нейронных сетей.
В ходе анализа применения нейронных сетей определен тип нейросети - сверточная и описаны основные приемы проектирования сверточных нейронных сетей.
Разработанная программа для определения пола по изображению основана на сверточной нейронной сети. При обучении программы использован датасет основанный на автоматической генерации фотографий лиц и ручной разметке. По результатам обучения с использованием технологии Dropout достигнута точность определения 0,86 на валидационной выборке.
Тестирование разработанной программы выполнено для трех случаев - по размеченному датасету сгенерированных фотографий, по неразмеченному датасету сгенерированных фотографий и по фотографиям реальных персон. Про результатам тестирования программа работает корректно в пределах полученной в ходе обучения точности.
Разработанная программа позволяет определять пол человека по изображению, как на сгенерированных фотографиях, так и на фотографиях реальных персон.


1. Анализ существующих подходов к распознаванию лиц
[Электронный ресурс] — Режим доступа:
https://habr.com/ru/company/synesis/blog/238129/ (дата обращения: 15.05.2023)
2. Маршалко Д.А., Кубанских О.В. Архитектура свёрточных нейронных сетей // Ученые записки Брянского государственного университета. 2019. №4 (16). URL: https://cyberleninka.ru/article/n/arhitektura- svyortochnyh-neyronnyh-setey (дата обращения: 21.02.2023).
3. Наглядно о том, как работает свёрточная нейронная сеть
[Электронный ресурс] — Режим доступа:
https://habr.com/ru/company/skillfactory/blog/565232/ (дата обращения:
15.05.2023)
4. Обучение и оценка модели с Keras [Электронный ресурс] — Режим доступа: https://habr.com/ru/post/485890/ (дата обращения: 15.05.2023)
5. Регуляризация отсева в моделях глубокого обучения с Keras
[Электронный ресурс] — Режим доступа:
https://machinelearningmastery.ru/dropout-regularization-deep-learning-models- keras/ (дата обращения: 15.05.2023).
6. Сикорский О.С. Обзор свёрточных нейронных сетей для задачи
классификации изображений // Новые информационные технологии в автоматизированных системах. 2017. №20. URL:
https://cyberleninka.ru/article/n/obzor-svyortochnyh-neyronnyh-setey-dlya- zadachi-klassifikatsii-izobrazheniy (дата обращения: 21.02.2023).
7. Сравнение фреймворков для глубокого обучения: TensorFlow, PyTorch, Keras, MXNet, Microsoft Cognitive Toolkit, Caffe, [Электронный ресурс]. URL: https://habr.com/ru/company/otus/blog/443874/ (дата обращения: 11.02.2023).
8. Шерстобитов А.И., Федосов В.П., Приходченко В.А., Тимофеев М. В. Распознавание лиц на групповых фотографиях с использованием
алгоритмов сегментации // Известия ЮФУ. Технические науки. 2013. №11 (148). URL: https:ZZcyberleninka.ru/articleZn/raspoznavanie-lits-na-gruppovyh- fotografiyah-s-ispolzovaniem-algoritmov-segmentatsii (дата обращения:
20.02.2023).
9. A Style-Based Generator Architecture for Generative Adversarial
Networks [Электронный ресурс] — Режим доступа:
https: ZZdrive.google.com/fileZdZ 1 v-HkF3Ehrpon7wVIx4r5DLcko_U_V 6LtZview (дата обращения: 15.05.2023)
10. Caffe [Электронный ресурс] — Режим доступа: https://caffe.berkeleyvision.org/ (дата обращения: 15.05.2023)
11. DeepFace Closing the Gap to Human-Level Performance in Face Verification [Электронный ресурс] — Режим доступа: https:ZZwww.cv- foundation. orgZopenaccessZcontent_cvpr_2014ZpapersZT aigman_DeepFace_Closin g_the_2014_CVPR_paper.pdf (дата обращения: 15.05.2023)
12. Dropout: A Simple Way to Prevent Neural Networks from Overfitting
[Электронный ресурс] — Режим доступа:
https:ZZjmlr.orgZpapersZvolume 15Zsrivastava14aZsrivastava14a.pdf (дата
обращения: 15.05.2023).
13. Face Recognition by Elastic Bunch Graph Matching [Электронный
ресурс] — Режим доступа: https:ZZface-
rec.orgZalgorithmsZEBGMZWisFelKrue99-FaceRecognition-JainBook.pdf (дата обращения: 15.05.2023)
14. Gender-and-Age-Detection [Электронный ресурс] — Режим
доступа: https://github.com/smahesh29/Gender-and-Age-Detection (дата
обращения: 15.05.2023)
15. Jetbrains [Электронный ресурс] — Режим доступа: https://www.jetbrains.com/pycharm/ (дата обращения: 15.05.2023)
... всего 22 источника


Работу высылаем на протяжении 30 минут после оплаты.



Подобные работы


©2024 Cервис помощи студентам в выполнении работ