Современные технологии анализа видеоданных на основе нейронных сетей являются очень важным элементом в системах безопасности, видеонаблюдения и поведенческой аналитики. Автоматизация классификации действий человека (бег, ходьба, сидение, нейтральное положение) позволяет повысить эффективность мониторинга, снизить нагрузку на операторов и минимизировать человеческие ошибки. Актуальность работы обусловлена растущим спросом на интеллектуальные системы, способные интерпретировать динамические сцены в реальном времени.
Предмет исследования - Методы и алгоритмы обработки видеоданных с использованием сверточных нейронных сетей (CNN), включая формирование датасетов, предобработку данных, выбор архитектуры модели и её оптимизацию.
Объект исследования - Процесс классификации действий человека на видеозаписях с применением нейросетевых моделей, включая этапы обучения, валидации и тестирования.
Цель работы - Разработка и обучение нейронной сети для автоматической классификации действий человека на основе видеоданных, обеспечивающей высокую точность и устойчивость к вариациям входных данных.
Задачи
1. Формирование и предобработка датасета из видеозаписей.
2. Выбор и обоснование архитектуры нейронной сети.
3. Обучение модели с оптимизацией гиперпараметров.
4. Оценка качества работы модели на тестовых данных.
5. Анализ возможностей применения модели в реальных условиях.
Разработанная модель может быть интегрирована в системы видеонаблюдения для автоматического анализа действий, что актуально в контексте безопасности, управления потоками людей и поведенческих исследований. Результаты работы демонстрируют потенциал использования нейросетей для решения задач, требующих обработки пространственно-временных данных.

Купить

В ходе выполнения курсовой работы была разработана и обучена нейронная сеть для классификации действий человека на видеозаписях. Основная цель работы — создание модели, способной автоматически определять четыре ключевых действия (сидение, бег, ходьба, нейтральное положение) — достигнута. Реализация проекта включала следующие этапы:
1. Выбор архитектуры модели: Использована предобученная модель YOLOv8, адаптированная для задачи классификации. Замена последнего слоя и тонкая настройка гиперпараметров (learning rate = 1e-4, batch size = 8, 10 эпох.
2. Оценка качества:
Модель продемонстрировала:
 Устойчивость к вариациям освещения и ракурсов,
 Ограничения при работе с низкокачественными записями и частичными перекрытиями объектов.
Практическая значимость: Разработанное решение может быть интегрировано в системы:
• Видеонаблюдения для автоматического анализа активности,
• Безопасности на производственных объектах.
Перспективы улучшения: Для повышения точности и робастности модели рекомендуется:
1. Увеличить объём датасета за счёт синтетических данных (GAN-аугментация).
2. Внедрить временные зависимости через LSTM-слои для анализа последовательностей кадров.
3. Оптимизировать архитектуру с помощью нейроархитектурного поиска (NAS).
4. Добавить механизмы интерпретируемости (Grad-CAM) для анализа ошибок.
Вывод: Работа подтвердила эффективность применения нейронных сетей для задач поведенческого анализа. Модель демонстрирует потенциал для дальнейшего развития в направлении обработки пространственно-временных данных в реальном времени.

Купить