Критерии выбора признаков в задаче классификации изображений
Понятия, определения нейронных сетей и классификации изображений. Методы оптимизации работы нейронной сети. Описание интерфейса программной реализации решения задачи классификации изображений. Решение задачи распознания изображений реальных объектов базы.
| Рубрика | Программирование, компьютеры и кибернетика |
| Вид | дипломная работа |
| Язык | русский |
| Дата добавления | 06.06.2015 |
| Размер файла | 1,3 M |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Данный вид нейронных сетей дает возможность наиболее качественного распознавания изображений, теоретически дает возможность работать с астрономическим числом образцов. Как было показано он действительно позволяет классифицировать образы и хотя, в настоящее время, представляет скорее академическую ценность, нежели практическую, совершенно точно найдет свое применение.
Также в рамках данной дипломной работы мной была разработана и реализована система нейросетевого распознавания на языке C#. Система имеет удобный для пользователя интерфейс и позволяет реализовать обучение сверточной нейронной сети, а также распознавать изображения на основе полученных знаний.
Мной были изучены и встроены в систему алгоритмы ускорения обучения, а также повышения качества классификации. Тестирование показало, что система работоспособна.
Список литературы
[1] Лифшиц, Ю Современные задачи теоретической информатики: Курс лекций / Ю Лифшиц // Курс лекцийпо статистическим методам распознавания образов, распознаванию лиц, классификации текстов. - 2000. - Лекция 7. - С.7-31.
[2] АНАЛИТИЧЕСКИЕ ТЕХНОЛОГИИ для прогнозирования и анализа данных [Электронный ресурс]: АНАЛИТИЧЕСКИЕ ТЕХНОЛОГИИ для прогнозирования и анализа данных / НейроПроект. - Режим доступа: http://www.neuroproject.ru/neuro. htm.
[3] Алгоритм Хафа для обнаружения произвольных кривых на изображениях [Электронный ресурс]. - Режим доступа: http://habrahabr.ru/post/102948/.
[4] Признаки Хаара [Электронный ресурс]. - Режим доступа: http://ru. wikipedia.org/wiki/%D0%9F%D1%80%D0%B8%D0%B7%D0%BD%D0%B0%D0%BA%D0%B8_%D0%A5%D0%B0%D0%B0%D1%80%D0%B0.
[5] Применение нейросетей в распознавании изображений [Электронный ресурс]. - Режим доступа: http://habrahabr.ru/post/74326/.
[6] Искусственная нейронная сеть [Электронный ресурс]. - Режим доступа: http://ru. wikipedia.org/wiki/%D0%98%D1%81%D0%BA%D1%83%D1%81%D1%81%D1%82%D0%B2%D0%B5%D0%BD%D0%BD%D0%B0%D1%8F_%D0%BD%D0%B5%D0%B9%D1%80%D0%BE%D0%BD%D0%BD%D0%B0%D1%8F_%D1%81%D0%B5%D1%82%D1%8C.
[7] Вильчек, Ф Хороший, плохой слой / Ф Вильчек, Д Канеман; Журнал Equire // Хороший, плохой слой. - 2011. - идеи, наука №64. - С.1-2.
[8] OpenCV шаг зашагом. Преобразование Хафа [Электронный ресурс]. - Режим доступа: http://robocraft.ru/blog/computervision/502.html.
[9] ХиттонEncog [Электронный ресурс] / Хиттон. - Режим доступа: http://www.heatonresearch.com/encog.
[10] FANN [Электронный ресурс]. - Режим доступа: http://leenissen. dk/fann/wp/.
[11] Sirotenko, M CUDA CNN [Электронный ресурс] / M Sirotenko. - Режим доступа: https: // sites. google.com/site/mihailsirotenko/projects/cuda-cnn.
[12] Антоненков, А.В. Оптимальная искусственная нейронная сеть для исследования асинхронного двигателя, работающего со случайной нагрузкой / А.В. Антоненков // Нейрокомпьютеры: разработка и применение. - 2009. - №7. - С.1-8.
[13] Николенко Метод градиентного спуска [Электронный ресурс] / Николенко. - Режим доступа: http://www.amse.ru/archive/courses/2006/nikolenko/notes-03-ann2. pdf.
[14] Филимонов, А.В. Структурирование и обучение нейронных сетей с применениями к задачам физической химии и медицины / А.В. Филимонов // Структурирование и обучение нейронных сетей с применениями к задачам физической химии и медицины. - 2004. - 1. - С.8-10.
[15] Солдатова, О.П. Применение сверточной сети для распознавания рукописных цифр / О.П. Солдатова, А.А. Гаршин // Применение сверточной сети для распознавания рукописных цифр. - 2010. - 1. - С.254-254.
[16] Гонсалес, Р Цифровая обработка изображений / Р Гонсалес, Р Вудс. - Москва: "Техносфера", 2005. - 1072 с.
[17] Местецкий, Л.М. Математические методы распознавания образов / Л.М. Местецкий. - Москва: "МГУ", 2004. - 86 с.
[18] LeCun, Y Gradient-BasedLearningAppliedtoDocumentRecognition / Y LeCun // Gradient-BasedLearningAppliedtoDocumentRecognition. 1998. - 1. - С.2-42.
[19] LeCun, Y Efficient BackProp / Y LeCun // Efficient BackProp. - 1998. - 1. - С.2-38.
[20] Hao, Y Improved computation for Levenberg-Marquardt training. / Y LeCun // IEEE Transactions on Neural Networks. - 2010. - vol.21 №6. - С.930-937.
Размещено на Allbest.ru
...Подобные документы
Современные системы текстурного анализа изображений. Примеры текстурной сегментации одноканальных изображений. Использование признаков, полученных на основе гистограммы яркостей второго порядка, для классификации спектрозональных аэрофотоснимков.
реферат [573,5 K], добавлен 15.01.2017Типы изображений (черно-белые, полутоновые, цветные) и их форматы. Устройства, создающие цифровые изображения, и их параметры. Применение и характеристики методов сжатия изображений. Поиск по содержимому в базах данных изображений. Структуры баз данных.
презентация [360,4 K], добавлен 11.10.2013Различные методы решения задачи классификации. Нейросетевые парадигмы, методы обучения нейронных сетей, возникающие при этом проблемы и пути их решения. Описание программной реализации классификатора, его функциональные возможности и результаты обучения.
дипломная работа [1,0 M], добавлен 28.12.2015Обработка изображений на современных вычислительных устройствах. Устройство и представление различных форматов изображений. Исследование алгоритмов обработки изображений на базе различных архитектур. Сжатие изображений на основе сверточных нейросетей.
дипломная работа [6,1 M], добавлен 03.06.2022Цифровые рентгенографические системы. Методы автоматического анализа изображений в среде MatLab. Анализ рентгеновского изображения. Фильтрация, сегментация, улучшение изображений. Аппаратурные возможности предварительной нормализации изображений.
курсовая работа [890,9 K], добавлен 07.12.2013Задача пространственно-временной обработки изображений при наличии шумов и помех. Методы оптимизации при пространственно-временной обработке изображений. Структура специализированной программы, описание ее пользовательского интерфейса. Смета затрат.
дипломная работа [957,2 K], добавлен 10.06.2013Обзор методов создания Web-ресурса для публикации фотопанорамных изображений. Необходимые компоненты для работы сервера. Создание хранилища данных в программной оболочке Denwer. Публикация готовых панорамных изображений на сайте кафедры ИСКМ ВолГУ.
курсовая работа [1,9 M], добавлен 28.08.2012Искусственные нейронные сети как одна из широко известных и используемых моделей машинного обучения. Знакомство с особенностями разработки системы распознавания изображений на основе аппарата искусственных нейронных сетей. Анализ типов машинного обучения.
дипломная работа [1,8 M], добавлен 08.02.2017Сравнительная оценка существующих программ, повышающих разрешение изображений на языке Borland Delphi. Выбор оптимального инструментария для разработки логической схемы. Форма поиска файлов, преобразования изображений и реализации алгоритмов интерполяции.
дипломная работа [3,0 M], добавлен 29.11.2011Изучение современных методик компьютерной обработки биомедицинских изображений с целью улучшения изображений для их наилучшего визуального восприятия врачом-диагностом и эффективного сжатия изображений – для надежного хранения и быстрой передачи данных.
курсовая работа [2,3 M], добавлен 15.04.2019Обзор программных продуктов для анализа изображений: ABBYY FineReader и OCR CuneiForm. Понятие и виды нейронных сетей. Алгоритм обучения персептрона. Результаты исследований и описание интерфейса программы. Расчет себестоимости программного обеспечения.
дипломная работа [590,7 K], добавлен 17.08.2011Этапы решения задачи классификации цифр арабского алфавита на основе нейронных сетей: выбор класса, структуры и пакета нейронной сети, ее обучение, требования к информационной и программной совместимости, составу и параметрам технических средств.
реферат [111,6 K], добавлен 19.10.2010Описание математических методов представления и обработки графических изображений. Описание разработанного программного дополнения. Описание функций и их атрибутов. Представление и обработка графических изображений. Результаты тестирования программы.
курсовая работа [1,7 M], добавлен 27.01.2015История появления и основные понятия графического дизайна. Выявление главных преимуществ и недостатков недеструктивной обработки изображений. Сравнение деструктивной и недеструктивной обработки изображений. Сущность и особенности двухмерной графики.
реферат [5,2 M], добавлен 05.05.2023Проблема гидроакустической классификации целей как актуальная проблема современной гидроакустики. Применение нейросетевых алгоритмов и отдельных парадигм для решения научно-технических задач. Выбор структуры нейронной сети для распознавания изображений.
реферат [284,2 K], добавлен 04.05.2012Основы программирования на языке VB.NET. Область применения трехмерных изображений. Форматы хранения пакетов инженерной графики. Преимущества трехмерного моделирования. Разработка программы по вращению трехмерных изображений на языках VB.NET и VRML.
курсовая работа [195,1 K], добавлен 11.03.2013Описание и изучение техники построения плоских и трехмерных изображений чертежей машиностроительных деталей средствами компьютерной графики: втулка, гайка, штуцер. Выполнение упрощенного теоретического чертежа судна на плоскости: бок, корпус, полуширота.
курсовая работа [832,6 K], добавлен 15.08.2012Анализ проблем, возникающих при совмещении изображений в корреляционно-экстремальных навигационных системах. Использование двумерного дискретного преобразования Фурье. Нахождение корреляционной функции радиолокационного и моделируемого изображений.
дипломная работа [3,6 M], добавлен 07.07.2012Растровая графика, составление графических изображений из отдельных точек (пикселей). Растровые графические редакторы. Векторная графика - построение изображения из простых объектов. Достоинства, недостатки и применение растровой и векторной графики.
презентация [7,8 K], добавлен 06.01.2014Работа с бинарными изображениями, методы их преобразования в полутоновые. Сущность бинаризации изображений и роль правильного выбора порога квантования. Применение полноцветных, полутоновых и бинарных изображений, способы построения гистограмм.
лабораторная работа [1,3 M], добавлен 30.09.2009
