ВВЕДЕНИЕ 4
ТЕОРЕТИЧЕСКОЕ ОБОСНОВАНИЕ 6
Рекуррентная нейронная сеть 6
Сверточная нейронная сеть 7
Особенности применения в распознавании изображений 8
ИНСТРУМЕНТЫ РАЗРАБОТКИ 10
TensrFlow 10
Keras 10
Unity 11
Maya 12
ТРЕБОВАНИЕ К ПРОГРАММНОМУ ОБЕСПЕЧЕНИЮ 13
Требование к данным 13
Требование к трехмерной визуализации интерьеров 13
КОНФИГУРАЦИЯ МОДЕЛИ НЕЙРОННОЙ СЕТИ 14
Оптимизация 14
Выбор оптимизатора 15
Оптимизатор Adam 16
Функция потери 16
Выбор функции потерь 17
Категориальная кросс-энтропия 18
Функция активации 18
Функция Softmax 18
Конфигурация слоев нейронной сети 19
ОБУЧЕНИЕ 21
Сбор и систематизация данных 21
K-means 24
Цель обучения 26
Обучение под наблюдением 26
Обучение без присмотра или адаптивное обучение 28
Итоге обучения 29
UV-развертка. 30
Дополнительные текстуры. 31
Взаимодействие пользователя с трехмерной средой. 32
РЕЗУЛЬТАТЫ СИСТЕМЫ ПОДБОРА ИНТЕРЬЕРОВ 33
ЗАКЛЮЧЕНИЕ 34
СПИСОК ЛИТЕРАТУРЫ 35
ПРИЛОЖЕНИЯ 37
Сегодня решение многих практических проблем, осуществляется с помощью машинного обучения. Машинное обучение с каждым днём занимает всё большее место в нашей жизни ввиду огромного спектра его применений. Начиная от анализа пробок и заканчивая самоуправляемыми автомобилями, всё больше задач перекладывается на самообучающиеся системы. Искусственный интеллект используется как и в совершенно новых сервисах и приложениях, так и дополняет уже существующие технологии. Множественные приложения для распознавания изображений и аудиозаписей, поисковые системы и сервисы для перевода текстов, которые всё время заметно совершенствуются, стали вещами привычными, без которых нельзя на сегодняшний день обойтись. Несмотря на это, находятся все новые способы применения искусственного интеллекта, которые возможно также станут незаменимыми в данных сферах.
Объектом исследования является создание искусственного интеллекта, который будет идентифицировать визуальные шаблоны. Предметом исследования является распознавание стилистической принадлежности предметов мебели по их изображениям и составление стилистически верных интерьеров.
В данной работе перед искусственным интеллектом лежит задача подбора дополнительных предметов мебели для создания интерьера помещений на основе уже созданной пользователем экспозиции. Помочь человеку, создающий интерьеры помещений, ускорить процесс создания интерьера, подсказать неосведомленному человеку дизайнерские решения: выбирая подходящие по стилю и цвету предметы мебели. Целью работы будет создание системы, которая реализует поставленные задачи.
Чтобы создать такой искусственный интеллект необходимо:
(1) Собрать большое количество графической информации, а именно изображения предметов мебели, представляющие разные интерьерные стили.
(2) Проанализировать собранные данные и систематизировать их.
(3) Выявить наиболее оптимальные модели машинного обучения, подходящие под заданную цель, правильно их сконфигурировать.
(4) Обучить искусственный интеллект на имеющихся данных.
(5) Протестировать на реальных данных.
Методологическую основу исследования составляет сравнение разных архитектур нейронных сетей. В качестве средств разработки будут использованы открытые библиотеки машинного обучения.
В процессе исследования применения нейронных сетей в создании интерьеров было определено, что наиболее подходящими архитектурами нейронных сетей являются сверточные нейронные сети. Как и в других случаях их применения для распознавания и классификации обученные модели сверточных нейронных сетей обладают высокой точностью в работе с определениям класса изображения по цветовым характеристикам, что помогло в определении стиля интерьеров.
Совокупность использовании нескольких обученных моделей нейронных сетей и трехмерной графики как показала проделанная работа позволяют создать прототипы интерьеров, которые наглядно показывают будущий вид помещения, также они позволяют сделать анализ их цветовой гаммы, соотнести с существующими стилями.
Сфера разработки, в рамках которой создавалось приложение предполагает широкий простор для исследования и различные варианты расширение функционала с использованием еще более продвинутых методов машинного обучения. Все это позволит сделать работу приложения еще более точной и практически полезной. В границах определенных для этой работой были выполнены все поставленные цели и задачи.
1. David Kriesel. A Brief Introduction to Neural Networks [Text] / David Kriesel. - 2007.-3 p.
2. Pradeep Pujari, Md. Rezaul Karim, Mohit Sewak. Practical Convolutional Neural Networks: Implement advanced deep learning models using Python [Text] / Pradeep Pujari, Md. Rezaul Karim, Mohit Sewak, February - 2018. - p 59.
3. Michael Walker. TensorFlow Machine Learning System [Electronic resource] /
Michael Walker - 2015. - URL:
https://www.datasciencecentral.com/profiles/blogs/tensorflow-machine-leamin g-system
4. Martin Heller. What is Keras? The deep neural network API explained
[Electronic resource] / Martin Heller. - 2019. - URL:
http s: //www. info world. com/article/3 3 36192/what-is-keras-the-deep-neural-net work-api-explained.html
5. Thomas Krogh-Jacobsen. Introducing Unity 2019.1 [Electronic resource] /
Thomas Krogh-Jacobsen. - 2019. - URL:
http s: / /blogs .unity 3 d .com/ru/2019/04/16/ introducing-unity-2019-1/
6. Jason Brownlee. Gentle Introduction to the Adam Optimization Algorithm for Deep Learning [Electronic resource] / Jason Brownlee. - 2017. - URL: https://machineleamingmastery.com/adam-optimization-algorithm-for-deep-lea ming /
7. Rob DiPietro. A Friendly Introduction to Cross-Entropy Loss [Electronic
resource] / Rob DiPietro. - 2016. - URL:
https://rdipietro.github.io/friendly-intro-to-cross-entropy-loss/
8. Konstantin Eckle Johannes Schmidt-Hieber. A comparison of deep networks with ReLU activation function and linear spline-type methods [Electronic resource] / Konstantin Eckle Johannes Schmidt-Hieber. - 2019. - URL: https://www.sciencedirect.com/science/article/pii/S0893608018303277
9. Understand the Softmax Function in Minutes [Electronic resource] / Uniqtech.
2018. - URL:
https://medium.com/data-science-bootcamp/understand-the-softmax-function-i n-minutes-f3a59641e86d
10. Jason Brownlee. Supervised and Unsupervised Machine Learning Algorithms
[Electronic resource] / Jason Brownlee. - 2016. - URL:
http s: //machineleamingmastery. com/supervised-and-unsupervi sed-machine-lea ming-algorithms/