Оглавление 2
Обозначения и сокращения 3
Введение 4
1. Обзор существующих систем 5
1.1 Метод гибкого сравнения на графах 5
1.2 Скрытые Марковские модели 6
1.3 Активные модели внешнего вида 7
1.4 Активные модели формы 8
1.5 Нейронные сети 9
2. Выбор стека технологий 11
3. Поиск датасета 12
4. Разработка архитектуры нейронной сети 14
4.1 Первая модель (CNNDuo) 19
4.2 Вторая модель (CNNChannels) 20
4.3 Третья модель (CNNDif) 22
4.4 Четвёртая модель (CNN_TPE) 24
5. Выбор алгоритмов обучения нейронной сети и функций активации нейронов 32
6. Сравнение результатов 33
7. Разработка демонстрационного приложения 35
Заключение 37
Список литературы 38
Приложение 1 39
Приложение 2
В последнее время всё чаще можно услышать об успехах нейронных сетей в областях обработки изображений, текстов, распознавания речи. Нейронная сеть «AlphaGo» компании Google победила чемпиона мира в игре Го.
Появилось множество архитектур нейронных сетей - свёрточные, рекуррентные, сети с памятью, а также их комбинации.
Современные архитектуры нейронных сетей показывают результаты превосходящие обычные алгоритмы, а их реализация зачастую намного проще.
В данной работе рассматривается применение нейронных сетей свёрточной архитектуры для задачи сравнения фотографий лиц людей.
Целью данной дипломной работы является разработка модели нейронной сети, которая принимала бы на вход два монохромных изображения с лицами людей и выдавала на выходе вероятность того, что на обеих фотографиях изображён один человек.
Для реализации поставленной цели необходимо решить ряд задач:
• изучить существующие решения;
• выбрать стек технологий (язык программирования, используемые технологии и библиотеки);
• найти подходящие для решения поставленной задачи датасеты;
• разработать архитектуру нейронной сети, решающую поставленную задачу;
• выбрать подходящие для обучения нейронной сети алгоритмы и функции активации, провести обучение;
• реализовать приложение для демонстрации способности созданной нейронной сети осуществлять поиск человека по фотографии в некоторой БД;
В ходе данной работы были реализованы четыре различных архитектуры свёрточных нейронных сетей для сравнения фотографий лиц людей, имеющие свои особенности. Для достижения наилучшего результата были изучены и использованы новейшие технологии и методы в области машинного обучения.
Возникшие трудности:
• малое число обработанных, подходящих для обучения нейронных сетей датасетов;
• отсутствие мощного вычислительного оборудования для экспериментов со сложными, объёмными моделями нейронных сетей.
Возможные улучшения:
• использование большего датасета для обучения нейронный сетей;
• изменение гиперпараметров нейронных сетей (требуется более мощное вычислительное оборудование).
