Тип работы:
Предмет:
Язык работы:


Автоматизация подготовки обучающего набора для классификации похожих изображений

Работа №141582

Тип работы

Магистерская диссертация

Предмет

информатика

Объем работы44
Год сдачи2018
Стоимость5500 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
40
Не подходит работа?

Узнай цену на написание


Введение 3
Цель 5
Обзор литературы 6
Глава 1. Обработка информации на изображениях 8
1.1 Особые точки и дескрипторы 8
1.1.1 ORB – Oriented FAST and Rotated BRIEF 9
1.1.2 BRISK – Binary Robust Invariant Scalable Keypoints 11
1.1.3 AKAZE – Accelerated-KAZE 13
1.2 Словарь визуальный слов 15
1.3 Классификация 18
Глава 2. Разработка приложения 20
2.1 Программная реализация 20
2.2 Проектирование базы данных 26
Глава 3. Результаты работы приложения 29
3.1 Изображения общего содержания 30
3.2 Изображения определенных объектов 33
Выводы 35
Заключение 37
Список литературы 38
Приложение 40


В век стремительного развития цифровых технологий, когда объёмы информации растут громадными темпами, многие IT компании стремятся автоматизировать процессы для ее обработки, создавая сложные, высоконагруженные программные и аппаратные комплексы.
В последние время для задач анализа данных быстрыми шагами развивается направление нейронных сетей, позволяющие получить сравнимые с человеком результаты в различных сферах. Но для достижения этих показателей требуется приложить не малые усилия, так как не существует алгоритма определяющего оптимальную архитектуру нейронной сети для конкретной задачи. Проектирование сети требует работы высококвалифицированного в данной области персонала, а также огромных как аппаратных, так и материальных средств, что может позволить себе не каждая современная компания.
Но недостаточно просто смоделировать архитектуру нейронной сети, ведь перед ее использованием так же необходима стадия обучения. Данная стадия предполагает наличие заранее известных начальных значений и предполагаемых конечных результатов. Формирование обучающих выборок так же требует не малых человеческих затрат. Данную проблему можно увидеть на актуальной на сегодняшний день задаче обработке изображений. Ведь в текущее время, почти у каждого современного человека имеется мобильное устройство, с помощью которого люди создают тысячи и миллионы фотографий каждый день. И для создания необходимой обучающей выборки, по которой возможно обучить спроектированную нейронную сеть или иной инструмент, позволяющий анализировать изображения, приходиться использовать кропотливый и малооплачиваемый ручной труд простых людей.
В данной работе предлагается разработать приложение, автоматизирующее данный процесс и обладающее необходимым функционалом, позволяющим без использования огромного массива данных и при умеренных вычислительных затратах, осуществить первичную классификацию изображений с высокой точностью. Тем самым позволив существенно сократить общее время на подготовку обучающей выборки.
Существуют методы, которые позволяют, хоть и при использовании в ограниченном круге задач компьютерного зрения, получить информацию об общем характере изображений. Данные методы основаны на поиске особенностей изображений – особых точек и дескрипторов. Их идея разработана достаточно давно, но даже сейчас они применяются во многих сферах, связанных с обработкой изображений. Для их использования в задаче классификации необходимо систематизировать и выделить общие черты дескрипторов, присущих определенным типам изображений.
В рамках рассматриваемой области исследований под общими чертами можно представить некие слова, совокупность которых и будет описывать характер изображений одного типа. Некоторый набор таких слов по всем необходимым типам образует словарь визуальных слов. Предполагается, что использование алгоритмов классификации позволит выделить слова, присущих определенным типам изображений для дальнейшей классификации неизвестных изображений по определенным типам.
Данная работа является продолжением исследований в области алгоритмов поиска особых точек и дескрипторов, описанных в бакалаврской работе автора: “Сравнительный анализ дескрипторов особых точек изображений с внедрением алгоритмов под операционной системой «Android»”. В данной работе предлагается сравнить результаты их применения в задаче классификации изображений, используя словарь визуальных слов.
Цель
Целью данной работы является разработка программного приложения, основанном на комплексе существующих методов компьютерного зрения, которое позволит упростить процесс формирования обучающей выборки, из необходимых типов изображений, для дальнейшего его использования в различных задачах. В ходе работы планируется провести дополнительные исследования результатов работы программы при использовании таких алгоритмов как ORB, BRISK, AKAZE осуществляющих поиск особенностей изображения в виде особых точек и их дескрипторов.
Решение данной задачи требует реализации следующих этапов:
 Анализ методов поиска особых точек и дескрипторов.
 Рассмотрение подхода для работы с дескрипторами особых точек.
 Рассмотрение метода классификации.
 Создать программную реализацию для проведения исследований.
 Оценку результатов на различных выборках изображений.

Разрабатываемое программное приложение должно обеспечивать следующий функционал:
 Интуитивный интерфейс
 Сопровождение пользователя на всех этапах работы
 Сохранение и загрузка необходимого набора данных
 Настройка методов
 Контроль качества результатов
 Сохранение результатов


Возникли сложности?

Нужна помощь преподавателя?

Помощь в написании работ!


В данной работе был проведен сравнительный анализ методов поиска особых точек и их дескрипторов на основе результатов кластеризации. Для достижения поставленной задачи была разработана программа для стационарных устройств на языке Java, обладающая всем требуемым функционалом:
1. Реализацию методов ORB, BRISK, AKAZE.
2. Формирование словаря.
3. Обучение алгоритма кластеризации.
4. Сортировка изображений по заданным группам.
5. Настройка параметров программы и алгоритмов.
6. Корректировка групп изображений
7. Сохранение результатов
Были проведены сравнительные тесты работы алгоритмов.
В результате выделен наилучший метод поиска особенностей, при кластеризации изображений.



1. Ethan Rublee, Vincent Rabaud, Kurt Konolige, Gary Bradski: "ORB: an efficient alternative to SIFT or SURF", Computer Vision (ICCV), IEEE International Conference on. IEEE, pp. 2564 – 2571, 2011.
2. Stefan Leutenegger, Margarita Chli, Roland Siegwart: “BRISK: Binary Robust Invariant Scalable Keypoints”. Computer Vision (ICCV), pp. 2548 – 2555, 2011.
3. Pablo F. Alcantarilla, Jesús Nuevo, Adrien Bartoli: “Fast Explicit Diffusion for Accelerated Features in Nonlinear Scale Spaces”. In British Machine Vision Conference (BMVC), 2013.
4. Rosten, Edward, Tom Drummond: "Machine learning for high-speed corner detection”, 9th European Conference on Computer Vision (ECCV), pp. 430 – 443, 2006.
5. Michael Calonder, Vincent Lepetit, Christoph Strecha, Pascal Fua, “BRIEF: Binary Robust Independent Elementary Features”, 11th European Conference on Computer Vision (ECCV), pp. 778 – 792, 2010.
6. S. Grewenig, J. Weickert, C. Schroers, A. Bruhn: “Cyclic Schemes for PDE-Based Image Analysis”, In International Journal of Computer Vision, 2013. 
7. X. Yang, K. T. Cheng: “LDB: An ultra-fast feature for scalable augmented reality”. In IEEE and ACM Intl. Sym. on Mixed and Augmented Reality (ISMAR), pp. 49 – 57, 2012.
8. Josef Sivic, Andrew Zisserman: “A Text Retrieval Approach to Object Matching in Videos”
9. Gabriella Csurka, Christopher R. Dance, Lixin Fan, Jutta Willamowski, Cedric Bray: “Visual Categorization with Bags of Keypoints”, 2004.
10. David Arthur, Sergei Vassilvitskii: "k-means++: the advantages of careful seeding.” Proceedings of the eighteenth annual ACM-SIAM symposium on Discrete algorithms. Society for Industrial and Applied Mathematics Philadelphia, PA, USA. pp. 1027–1035, 2007. 
11. C. Burges: “A Tutorial on Support Vector Machines for Pattern Recognition
12. Annalisa Barla, Francesca Odone, Alessandro Verri: “Histogram intersection kernel for image classification.” Proceedings of International Conference on Image Processing 2003, Vol. 2(1) , pp. 513, 2003
13. OpenCV: http://opencv.org



Работу высылаем на протяжении 30 минут после оплаты.




©2024 Cервис помощи студентам в выполнении работ