Предварительная обработка изображений как фактор повышения качества работы нейронных сетей в задачах классификации.
Заказать уникальную дипломную работу- 65 65 страниц
- 17 + 17 источников
- Добавлена 05.08.2022
- Содержание
- Часть работы
- Список литературы
- Вопросы/Ответы
1 ПРЕДВАРИТЕЛЬНАЯ ОБРАБОТКА ИЗОБРАЖЕНИЙ 4
1.1 Общие сведения 4
1.2 Очистка данных 4
1.2.1 Перемасштабирование 4
1.2.2 Перевод в оттенки серого 6
1.2.3 Центрирование образов 7
1.2.4 Нормализация среднеквадратичного отклонения 8
1.2.5 Центрирование признаков 9
1.2.6 Нормализация СКО признаков 10
1.3 Трансформации с дополнением данных 10
1.3.1 Вращение 11
1.3.2 Горизонтальный сдвиг 11
1.3.3 Вертикальный сдвиг 12
1.3.4 Обрезка 12
1.3.5 Приближение/удаление 13
1.3.6 Горизонтальный переворот 14
1.3.7 Вертикальный переворот 14
1.3.8 Комбинация 15
1.4 Выводы по главе 20
2 СВЕРТОЧНЫЕ НЕЙРОННЫЕ СЕТИ 21
2.1 Архитектура и принцип работы 21
2.2 Преимущества и недостатки использования сверточной нейронной сети 24
2.3 Метод обратного распространения ошибки 25
2.4 Описание набора данных для обучающей и тестовой выборок 25
2.6 Выводы по главе 28
3 ПРАКТИЧЕСКАЯ ЧАСТЬ 30
3.1 Сравнение методов предобработки данных 30
3.2 Выводы по главе 37
ЗАКЛЮЧЕНИЕ 38
СПИСОК ЛИТЕРАТУРЫ 39
Добавленные за счет предобработкиизображения усложнили для оптимизируемой модели процесс обучения. Один и тот же метод может давать разные результаты при разных параметрах.схема архитектуры используемой нейронной сети? И сколько скрытых слоев17Прошу поправить ответ на вопрос: Сколько всего слоев? 19 слоев
1. The CIFAR-10 dataset [Электронный ресурс]. – Режим доступа: https://www.cs.toronto.edu/~kriz/cifar.html. – (дата обращения: 22.05.2022).
2. Афанасьев Д.Ю. ПРИМЕНЕНИЕ АУГМЕНТАЦИИ ДЛЯ УЛУЧШЕНИЯ КАЧЕСТВА КЛАССИФИКАЦИИ // StudNet. 2022. №4. URL: https://cyberleninka.ru/article/n/primenenie-augmentatsii-dlya-uluchsheniya-kachestva-klassifikatsii (дата обращения: 29.05.2022).
3. Бычков И.В., Ружников Г.М., Федоров Р.К., Попова А.К., Авраменко Ю.В. Классификация космоснимков Sentinel-2 Байкальской природной территории // КО. 2022. №1. URL: https://cyberleninka.ru/article/n/klassifikatsiya-kosmosnimkov-sentinel-2-baykalskoy-prirodnoy-territorii (дата обращения: 29.05.2022).
4. Гермиханова Х.Р. Методы обучения нейронной сети (некоторые аспекты) // Инновационные аспекты развития науки и техники. 2020. №2. URL: https://cyberleninka.ru/article/n/metody-obucheniya-neyronnoy-seti-nekotorye-aspekty (дата обращения: 29.05.2022).
5. Купряшкин И.Ф. Влияние разрешающей способности радиолокационных изображений военной техники на точность их классификации глубокой сверточной нейронной сетью // Известия вузов России. Радиоэлектроника. 2022. №1. URL: https://cyberleninka.ru/article/n/vliyanie-razreshayuschey-sposobnosti-radiolokatsionnyh-izobrazheniy-voennoy-tehniki-na-tochnost-ih-klassifikatsii-glubokoy (дата обращения: 29.05.2022).
6. Сиденко Н.Е. Поиск оптимальной модели предварительно обученной нейронной сети для решения задачи идентификации лиц // StudNet. 2022. №4. URL: https://cyberleninka.ru/article/n/poisk-optimalnoy-modeli-predvaritelno-obuchennoy-neyronnoy-seti-dlya-resheniya-zadachi-identifikatsii-lits (дата обращения: 29.05.2022).
7. Соколов, С.М. Проблемы машинного видения в робототехнике и автоматизации производства / С.М. Соколов // Будущее прикладной математики. Лекции для молодых исследователей. Институт прикладной математики им. М.В. Келдышева РАН. - М.: URSS, 2004. - С. 343-373.
8. Alexander Buslaev, Alex Parinov, Eugene Khvedchenya, Vladimir I.Iglovikov, Alexandr A. Kalinin. Albumentations: fast and flexible image augmentations [Электронный ресурс] // CoRR. 2018. URL: https://arxiv.org/pdf/1809.06839.pdf (дата обращения: 22.05.2022).
9. Generate batches of tensor image data with real-time data augmentation [Электронный ресурс]. – Режим доступа: https://www.tensorflow.org/api_docs/python/tf/keras/preprocessing/image/ImageDataGenerator. – (дата обращения: 24.05.2022).
10. Karen Simonyan, Andrew Zisserman. Very Deep Convolutional Networks for Large-Scale Image Recognition [Электронный ресурс] // ICLR. 2015. URL: https://arxiv.org/pdf/1409.1556.pdf (дата обращения: 11.03.2022).
11. Rowel Atienza. Data Augmentation for Scene Text Recognition // ICCVW.2021. P. 1561-1570.
12. Yukang Chen, Yanwei Li, Tao Kong, Lu Qi, Ruihang Chu, Lei Li, Jiaya Jia. Scale-aware Automatic Augmentation for Object Detection // CVPR. 2021 P.9563-9572.
13. Zhun Zhong, Liang Zheng, Guoliang Kang, Shaozi Li, Yi Yang. Random Erasing Data Augmentation // AAAI. 2020. P. 13001-13008.
14. Гусарова Наталия Федоровна, Маятин А.В. Человеко-машинные методы обработки изображений // Научно-технический вестник информационных технологий, механики и оптики. 2005. №22. URL: https://cyberleninka.ru/article/n/cheloveko-mashinnye-metody-obrabotki-izobrazheniy (дата обращения: 14.06.2022).
15. Исаев Андрей Львович, Газаров Денис Андреевич, Евсеев Сергей Дмитриевич Распознавание лиц по изображениям // Символ науки. 2017. №4. URL: https://cyberleninka.ru/article/n/raspoznavanie-lits-po-izobrazheniyam (дата обращения: 14.06.2022).
16. Егоров Артем Тимурович Автоматизированный подсчет объектов на изображении с использованием технологии глубокого обучения на примере сигаретных фильтров // Вестник науки и образования. 2017. №5 (29). URL: https://cyberleninka.ru/article/n/avtomatizirovannyy-podschet-obektov-na-izobrazhenii-s-ispolzovaniem-tehnologii-glubokogo-obucheniya-na-primere-sigaretnyh-filtrov (дата обращения: 14.06.2022).
17. Чекмарев М.А., Клюев С.Г., Шадский В.В. МОДЕЛИРОВАНИЕ НАРУШЕНИЙ БЕЗОПАСНОСТИ В СИСТЕМАХ МАШИННОГО ОБУЧЕНИЯ // Научно-технический вестник информационных технологий, механики и оптики. 2021. №4. URL: https://cyberleninka.ru/article/n/modelirovanie-narusheniy-bezopasnosti-v-sistemah-mashinnogo-obucheniya (дата обращения: 14.06.2022).
Вопрос-ответ:
Зачем нужна предварительная обработка изображений?
Предварительная обработка изображений важна в задачах классификации, так как позволяет повысить качество работы нейронных сетей. Она включает в себя такие процессы, как очистка данных, перевод в оттенки серого, центрирование и нормализация признаков.
Какие методы предварительной обработки данных существуют?
Существует несколько методов предварительной обработки данных при работе с изображениями. Это перемасштабирование, перевод изображений в оттенки серого, центрирование образов, нормализация среднеквадратичного отклонения и центрирование признаков.
Что такое перемасштабирование изображений?
Перемасштабирование изображений - это процесс изменения их размеров. Этот метод предварительной обработки данных используется для приведения изображений к одному и тому же размеру, чтобы нейронная сеть могла эффективно обрабатывать их.
Чем отличается перевод в оттенки серого от центрирования образов?
Перевод в оттенки серого - это процесс преобразования цветного изображения в черно-белое. В то время как центрирование образов - это процесс перемещения изображений так, чтобы их центры совпадали. Оба метода предварительной обработки данных служат для улучшения качества работы нейронных сетей в задачах классификации.
Что такое нормализация СКО признаков?
Нормализация СКО признаков - это метод предварительной обработки данных, который позволяет масштабировать значения признаков так, чтобы их стандартное отклонение было единичным. Это позволяет достичь более стабильной работы нейронной сети в задачах классификации.
Что такое предварительная обработка изображений в задачах классификации?
Предварительная обработка изображений в задачах классификации - это процесс преобразования исходных изображений для повышения качества работы нейронных сетей. Она включает в себя такие операции, как очистка данных, перевод в оттенки серого, центрирование образов, нормализация и трансформации с дополнением данных.
Какие методы используются для очистки данных при предварительной обработке изображений?
Для очистки данных при предварительной обработке изображений можно использовать методы перемасштабирования, перевода в оттенки серого, центрирования образов, нормализации среднеквадратичного отклонения и центрирования признаков.
Какие методы трансформации с дополнением данных могут быть применены в предварительной обработке изображений?
В предварительной обработке изображений можно использовать методы трансформации с дополнением данных, такие как вращение и горизонтальное отражение. Они позволяют генерировать больше различных вариантов обучающих данных, что помогает увеличить производительность нейронных сетей.
Зачем нужна нормализация СКО признаков в предварительной обработке изображений?
Нормализация СКО признаков в предварительной обработке изображений используется для сокращения дисперсии данных и приведения их к стандартному виду. Это позволяет улучшить работу нейронных сетей и сделать их более устойчивыми к изменениям входных данных.