📄Работа №186327
Тема: Применение нейронных сетей для классификации и сегментации объектов на изображениях
Тип работы
Дипломные работы, ВКР
Предмет
робототехника
Объем:
67 листов
Год:
2022
Просмотров:
65
4670
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
Аннотация 2
Введение 7
1 Теоретическая часть 9
1.1 Задачи классификации и сегментации 9
1.2 Математическое описание нейронных сетей 10
1.2.1 Персептрон и нейронная сеть с прямой связью 10
1.2.2 Функции активации 12
1.2.3 Методы обучения 13
1.2.4 Обратное распространение ошибки 14
1.3 Релевантные архитектуры сетей 17
1.3.1 Остаточные нейронные сети 17
1.3.2 Свёрточные нейронные сети 19
1.3.3 Разделяемая по глубине свёртка 21
1.4 Архитектура Xception 22
1.4.1 Слой общей субдискредитации с функцией среднего 22
1.4.2 Слой пакетной нормализации 23
1.4.3 Слой логистической регрессии 24
1.5 Методы решения задачи сегментации 24
1.5.1 Классический подход. Условное случайное поле 24
1.5.2 Нейронные сети 27
1.5.3 Функции потери 32
2. Практическая часть 35
2.1. Классификация изображений с помощью сети Xception 35
2.1.1 Подгрузка библиотек и ресурсов 35
2.1.2 Организация набора данных для сети 36
2.1.3 Обучение сети 39
2.1.4 Тестирование сети 42
2.1.5 Анализ результатов 43
2.2 Решение задачи сегментации с помощью сети U-net 47
2.2.1 Подгрузка библиотек и ресурсов 47
2.2.2 Подготовка данных 48
2.2.3 Обучение сети 50
2.2.4 Эксперименты с устройством сети 54
2.2.5 Анализ результатов 55
Заключение 60
Список использованных источников и литературы 62
Введение 7
1 Теоретическая часть 9
1.1 Задачи классификации и сегментации 9
1.2 Математическое описание нейронных сетей 10
1.2.1 Персептрон и нейронная сеть с прямой связью 10
1.2.2 Функции активации 12
1.2.3 Методы обучения 13
1.2.4 Обратное распространение ошибки 14
1.3 Релевантные архитектуры сетей 17
1.3.1 Остаточные нейронные сети 17
1.3.2 Свёрточные нейронные сети 19
1.3.3 Разделяемая по глубине свёртка 21
1.4 Архитектура Xception 22
1.4.1 Слой общей субдискредитации с функцией среднего 22
1.4.2 Слой пакетной нормализации 23
1.4.3 Слой логистической регрессии 24
1.5 Методы решения задачи сегментации 24
1.5.1 Классический подход. Условное случайное поле 24
1.5.2 Нейронные сети 27
1.5.3 Функции потери 32
2. Практическая часть 35
2.1. Классификация изображений с помощью сети Xception 35
2.1.1 Подгрузка библиотек и ресурсов 35
2.1.2 Организация набора данных для сети 36
2.1.3 Обучение сети 39
2.1.4 Тестирование сети 42
2.1.5 Анализ результатов 43
2.2 Решение задачи сегментации с помощью сети U-net 47
2.2.1 Подгрузка библиотек и ресурсов 47
2.2.2 Подготовка данных 48
2.2.3 Обучение сети 50
2.2.4 Эксперименты с устройством сети 54
2.2.5 Анализ результатов 55
Заключение 60
Список использованных источников и литературы 62
📖 Введение
На сегодняшний день машинное обучение быстро развивается и затрагивает самые разные области жизни. Нейронные сети - чрезвычайно гибкие инструменты обобщения данных. Более всего это видно в области распознавания изображений, которая получила своё развитие с изобретением свёрточных нейронных сетей. В области распознавания изображений на данный момент актуальна задача понимания композиции сцены. Подобная задача выполняется человеком без усилий, однако создание алгоритма с подобным уровнем восприятия - комплексная задача.
К решению этой задачи подходят по-разному. Неплохое понимание сцены можно получить определением объектов, которые расположены на изображении. Такой подход называется классификацией изображений.
Обнаружение объектов предполагает наложение ограничевающей рамки на каждый объект каждого известного класса, найденный на изображении.
Сегментация стремится к более точному обнаружению объектов и заключается в попиксельном определении границ объектов, создавая маску изображения. Практическое применение сегментации позволяет компьютеру извлекать информацию из реальных ситуаций и использовать её для решения поставленных задач.
Целью данной работы стало изучение применения нейронных сетей для решения задач классификации и сегментации изображений. Для достижения этой цели были поставлены следующие задачи:
1. Изучение принципов работы нейронных сетей, составление их математического описания;
2. Изучение языка программирования python;
3. Написание классификатора на основе архитектуры Xception;
4. Изучение методов решения задачи сегменатации;
5. Написание сети пригодной для решения задачи сегментации на основе архитектуры U-net;
6. Проведение экспериментов со структурой и гиперпараметрами сетей;
7. Анализ результатов экспериментов.
К решению этой задачи подходят по-разному. Неплохое понимание сцены можно получить определением объектов, которые расположены на изображении. Такой подход называется классификацией изображений.
Обнаружение объектов предполагает наложение ограничевающей рамки на каждый объект каждого известного класса, найденный на изображении.
Сегментация стремится к более точному обнаружению объектов и заключается в попиксельном определении границ объектов, создавая маску изображения. Практическое применение сегментации позволяет компьютеру извлекать информацию из реальных ситуаций и использовать её для решения поставленных задач.
Целью данной работы стало изучение применения нейронных сетей для решения задач классификации и сегментации изображений. Для достижения этой цели были поставлены следующие задачи:
1. Изучение принципов работы нейронных сетей, составление их математического описания;
2. Изучение языка программирования python;
3. Написание классификатора на основе архитектуры Xception;
4. Изучение методов решения задачи сегменатации;
5. Написание сети пригодной для решения задачи сегментации на основе архитектуры U-net;
6. Проведение экспериментов со структурой и гиперпараметрами сетей;
7. Анализ результатов экспериментов.
✅ Заключение
В работе описаны основные принципы работы нейронных сетей и методы их обучения, изучены распространённые методы решения задачи сегментации. Подробно разобраны архитектуры Xception и U-net, а так же составляющие их типы сетей.
Классификатор на основе Xception при обучении до седьмой эпохи смог достичь точности определения класса объекта в 97% по метрике отношения количества правильных предположений сети к общему числу предположений.
Сеть на основе U-net при обучении до тридцатой эпохи при использовании функции фокальной потери смогла достичь точности построения маски сегментации в 0,76 по метрике отношения пересечения к объединению (IoU).
С используемыми сетями проведён ряд экспериментов, по результатам которых можно сделать следующие выводы:
• изменение скорости обучения сильно сказывается на росте точности модели, так как напрямую влияет на размер шага градиентного спуска;
• размер пакетов определяет сколько шагов градиентного спуска будет произведено за тренировочную фазу и насколько близки они будут к кратчайшему направлению спуска, поэтому следует подобрать оптимальный размер пакетов, который бы обеспечил наибольшую эффективность спуска;
• параметр «снижение веса» штрафует сложность модели, из-за чего слишком большое его значение замедляет рост точности модели;
• различные оптимизаторы отличаются способами расчёта шага градиентного спуска и, как следствие, скоростью сходимости;
• область применения разделяемой по глубине свёртки ограничена размерами сети, использование её для сетей небольшого размера не приводит к положительному результату;
• Успешность обучения сильно зависит от качества набора данных, он должен обладать достаточными размерами и разнообразием примеров, чтобы сеть не переобучалась.
По материалам данной работы была написана и опубликована статья на тему «Решение задачи сегментации с использованием методов глубокого обучения» в журнале «МЕХАТРОНИКА, АВТОМАТИКА И РОБОТОТЕХНИКА».
Классификатор на основе Xception при обучении до седьмой эпохи смог достичь точности определения класса объекта в 97% по метрике отношения количества правильных предположений сети к общему числу предположений.
Сеть на основе U-net при обучении до тридцатой эпохи при использовании функции фокальной потери смогла достичь точности построения маски сегментации в 0,76 по метрике отношения пересечения к объединению (IoU).
С используемыми сетями проведён ряд экспериментов, по результатам которых можно сделать следующие выводы:
• изменение скорости обучения сильно сказывается на росте точности модели, так как напрямую влияет на размер шага градиентного спуска;
• размер пакетов определяет сколько шагов градиентного спуска будет произведено за тренировочную фазу и насколько близки они будут к кратчайшему направлению спуска, поэтому следует подобрать оптимальный размер пакетов, который бы обеспечил наибольшую эффективность спуска;
• параметр «снижение веса» штрафует сложность модели, из-за чего слишком большое его значение замедляет рост точности модели;
• различные оптимизаторы отличаются способами расчёта шага градиентного спуска и, как следствие, скоростью сходимости;
• область применения разделяемой по глубине свёртки ограничена размерами сети, использование её для сетей небольшого размера не приводит к положительному результату;
• Успешность обучения сильно зависит от качества набора данных, он должен обладать достаточными размерами и разнообразием примеров, чтобы сеть не переобучалась.
По материалам данной работы была написана и опубликована статья на тему «Решение задачи сегментации с использованием методов глубокого обучения» в журнале «МЕХАТРОНИКА, АВТОМАТИКА И РОБОТОТЕХНИКА».
ИЛИ
Поиск аналога
📕 Список литературы
🖼 Скриншоты
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.