📄Работа №161230
Тема: СЕМАНТИЧЕСКОЙ СЕГМЕНТАЦИИ ИЗОБРАЖЕНИЙ РАЗРАБОТКА И ИССЛЕДОВАНИЕ МЕТОДОВ
Тип работы
Магистерская диссертация
Предмет
информатика
Объем:
113 листов
Год:
2024
Просмотров:
134
5450
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
Реферат 2
ПЕРЕЧЕНЬ СОКРАЩЕНИЙ И ОБОЗНАЧЕНИЙ 7
ВВЕДЕНИЕ 9
1 Предметная область 10
1.1 Анализ принципов построения и функционирования искусственных
нейронных сетей 10
1.1.1 Принципы строения искусственного нейрона 10
1.1.2 Основы структуры и функционирования нейронной сети 12
1.2 Задача сегментации изображения 14
1.3 Методы семантической сегментации изображения основные на CNN . 15
1.3.1 FCN 15
1.3.2 U-Net 15
1.3.3 SegNet 17
1.3.4 PSPNet 17
1.3.5 RefineNet 18
1.3.6 DeepLab 18
1.3.7 DenseASPP 19
1.4 Методы семантической сегментации изображения основные на RNN . 21
1.4.1 LSTM 21
1.4.2 GRU 22
1.4.3 CRF 23
1.4.4 Seq2seq 23
1.4.5 GAN 24
1.4.6 RCNN 24
1.4.7 BiLSTM (Bidirectional Long Short-Term Memory) 25
1.5 Оптимизация нейронной сети 25
1.5.1 Градиентный спуск 25
1.5.2 SGD 25
1.5.3 Метод моментов 25
1.5.4 Адаптивный градиент 26
1.5.5 RMSProp 26
1.5.6 Adam 26
1.6 Сегментируемые данные 27
1.6.1 Спутниковые снимки 27
1.6.2 Требования к данным 28
1.6.3 Набор данных 28
1.7 Выбор инструментов 33
1.7.1 TensorFlow 33
1.7.2 PyTorch 35
1.7.3 Flask 36
1.8 Выбор исследуемых методов 37
1.8.1 Модель ResNet101 37
1.8.2 Модель DeepLabV3Plus 39
1.9 Метрики для оценки качества сегментации 41
2 Требования к программе 42
2.1 Функциональные требования 42
2.2 Не функциональные требования 42
2.2.1 Технические требования 42
2.2.2 Аппаратные требования 43
3 Обучение моделей 44
3.1 Обучение ResNet101 44
3.2 Обучение DeepLabV3Plus 44
4 Разработка приложения 45
4.1 Разработка пользовательского интерфейса 45
4.2 Разработка программного интерфейса 47
5 Тестирование 48
5.1 Тестирование качества обучения моделей 48
5.1.1 Модель ResNet101 48
5.1.2 Модель DeepLabV3Plus 49
5.2 Тестирование приложения 50
5.3 Анализ полученных результатов и выводы 51
ЗАКЛЮЧЕНИЕ 52
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 53
ПРИЛОЖЕНИЕ А Листинг программы 56
ПРИЛОЖЕНИЕ Б Структура моделей 88
ПРИЛОЖЕНИЕ В Презентация 107
ПЕРЕЧЕНЬ СОКРАЩЕНИЙ И ОБОЗНАЧЕНИЙ 7
ВВЕДЕНИЕ 9
1 Предметная область 10
1.1 Анализ принципов построения и функционирования искусственных
нейронных сетей 10
1.1.1 Принципы строения искусственного нейрона 10
1.1.2 Основы структуры и функционирования нейронной сети 12
1.2 Задача сегментации изображения 14
1.3 Методы семантической сегментации изображения основные на CNN . 15
1.3.1 FCN 15
1.3.2 U-Net 15
1.3.3 SegNet 17
1.3.4 PSPNet 17
1.3.5 RefineNet 18
1.3.6 DeepLab 18
1.3.7 DenseASPP 19
1.4 Методы семантической сегментации изображения основные на RNN . 21
1.4.1 LSTM 21
1.4.2 GRU 22
1.4.3 CRF 23
1.4.4 Seq2seq 23
1.4.5 GAN 24
1.4.6 RCNN 24
1.4.7 BiLSTM (Bidirectional Long Short-Term Memory) 25
1.5 Оптимизация нейронной сети 25
1.5.1 Градиентный спуск 25
1.5.2 SGD 25
1.5.3 Метод моментов 25
1.5.4 Адаптивный градиент 26
1.5.5 RMSProp 26
1.5.6 Adam 26
1.6 Сегментируемые данные 27
1.6.1 Спутниковые снимки 27
1.6.2 Требования к данным 28
1.6.3 Набор данных 28
1.7 Выбор инструментов 33
1.7.1 TensorFlow 33
1.7.2 PyTorch 35
1.7.3 Flask 36
1.8 Выбор исследуемых методов 37
1.8.1 Модель ResNet101 37
1.8.2 Модель DeepLabV3Plus 39
1.9 Метрики для оценки качества сегментации 41
2 Требования к программе 42
2.1 Функциональные требования 42
2.2 Не функциональные требования 42
2.2.1 Технические требования 42
2.2.2 Аппаратные требования 43
3 Обучение моделей 44
3.1 Обучение ResNet101 44
3.2 Обучение DeepLabV3Plus 44
4 Разработка приложения 45
4.1 Разработка пользовательского интерфейса 45
4.2 Разработка программного интерфейса 47
5 Тестирование 48
5.1 Тестирование качества обучения моделей 48
5.1.1 Модель ResNet101 48
5.1.2 Модель DeepLabV3Plus 49
5.2 Тестирование приложения 50
5.3 Анализ полученных результатов и выводы 51
ЗАКЛЮЧЕНИЕ 52
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 53
ПРИЛОЖЕНИЕ А Листинг программы 56
ПРИЛОЖЕНИЕ Б Структура моделей 88
ПРИЛОЖЕНИЕ В Презентация 107
📖 Введение
Мир вступает в новую информационную эпоху, которая связана с наступление повсеместной цифровизацией всех сторон жизни современного общества. Сегодня цифровая среда проникает почти во все сферы таких как в области профессиональной и повседневной деятельности человека, изменяя их формы и перестраивая сознание человека. Быстрое развитие цифровых технологий увеличивает интерес ученых к проблемам изменений социальной реальности, появления абсолютно новой цифровой и финансовой культуры, изменения мира человека.
Анализ и обработка изображений - это самое перспективное направление в развитии цифровых технологий. Анализ изображений может быть применен во многих сферах жизни человека от анализа медицинских сканов, до анализа космических снимков. В последнее время стремительно возрос интерес к цифровым, электронным, и оптическим методам обработки изображений, для улучшения их качества. Большое освещение получили работы, связанные с биомедицинскими и космическими исследованиями. Другие применения - это аэрофотосъемка и промышленная радиографию.
Программное зрения начинает использоваться в новых сферах, постоянно расширяется и требует, во-первых, разработки новых алгоритмов и методов обработки изображений, во-вторых, в теоретическом анализе полученных результатов.
Анализ и обработка изображений - это самое перспективное направление в развитии цифровых технологий. Анализ изображений может быть применен во многих сферах жизни человека от анализа медицинских сканов, до анализа космических снимков. В последнее время стремительно возрос интерес к цифровым, электронным, и оптическим методам обработки изображений, для улучшения их качества. Большое освещение получили работы, связанные с биомедицинскими и космическими исследованиями. Другие применения - это аэрофотосъемка и промышленная радиографию.
Программное зрения начинает использоваться в новых сферах, постоянно расширяется и требует, во-первых, разработки новых алгоритмов и методов обработки изображений, во-вторых, в теоретическом анализе полученных результатов.
✅ Заключение
В рамках выполнения магистерской диссертации были проанализированы современные методы сегментации изображений, обучены модели ResNet101 и DeepLabV3Plus, на основе использования обученных моделей разработано веб-приложение сегментации спутниковых снимков.
За время исследования и проектирования были рассмотрены современные методы, языки программирования и библиотеки для решения задач в области машинного обучения, визуализации различных данных, а также разработке и реализации API, системы управления базами данных и методы виртуализации.
За время исследования и проектирования были рассмотрены современные методы, языки программирования и библиотеки для решения задач в области машинного обучения, визуализации различных данных, а также разработке и реализации API, системы управления базами данных и методы виртуализации.
ИЛИ
Поиск аналога
📕 Список литературы
🖼 Скриншоты
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.