Программа классификации психофизиологической двигательной активности человека, основанная на нейронной сети глубокого обучения
Разработка программы распознавания действий человека. Работа с видеопотоком и классификатором. Выделение особенностей и структуры сверточной нейронной сети. Функции активации искусственного нейрона. Выделение контура из изображения и определение движения.
| Рубрика | Программирование, компьютеры и кибернетика |
| Вид | дипломная работа |
| Язык | русский |
| Дата добавления | 05.11.2015 |
| Размер файла | 686,5 K |
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.
Свёрточная нейронная сеть является лучшей глубокой нейронной сетью, работающей с изображениями. Объясняется это тем, что структура и некоторые концепции сети были переняты исследованиями зрительной коры головного мозга. Библиотека Theano, разрабатываемая специально для машинного обучения и алгоритмов глубокого обучения, предоставляет готовые функции для моделирования нейронных сетей.
Дополнительно реализована возможность обучения сети с любыми пользовательскими характеристиками для тестирования и отладки. При помощи конфигурационного файла можно корректировать количество нейронов в скрытых слоях, разрешения изображений, количество ядер свертки и прочее.
Данная работа позволяет продолжить исследование по следующим направлениям: изменение архитектуры нейронной сети, построение нового дескриптора для видеопотока и реализацию кроссплатформенной версии с поддержкой других камер с датчиком глубины.
Список источников
1. Bengio Y., LeCun Y. Scaling Learning Algorithms towards AI, Large-Scale Kernel Machines, 2007, С. 1-41
2. Blank M., Gorelick L., Eli Shechtman, Irani M., Basri R., Actions as space-time shapes, Proceedings of the International Conference On Computer Vision, 2005, С. 1395- 1402
3. Boureau Y.L., Ponce J., LeCun Y. A theoretical analysis of feature pooling in visual recognition. Proceedings of the 27th International Conference on Machine Learning, 2010, С. 111-118
4. Bobick A., Davis J. The recognition of human movement using temporal templates, IEEE Transactions on Pattern Analysis and Machine Intelligence, 2001, С. 257-267
5. Chaaraoui A., Pau Climent-Pйrez, Flуrez-Revuelta F. A review on vision techniques applied to Human Behaviour Analysis for Ambient-Assisted Living, Expert Systems with Applications, 2012, С. 10873-10888
6. Chaaraoui A., Pau Climent-Pйrez, Flуrez-Revuelta F., Silhouette-based human action recognition using sequences of key poses, Physical Review Letters, 2013, С. 1799-1807
7. Chen L., Wei H., Ferryman, James M. ReadingAct RGB-D action dataset and human action recognition from local features, Physical Review Letters, 2014, С. 159-169
8. Chen Xi, Koskela M. Skeleton-based action recognition with extreme learning machines, Neurocomputing, 2013, С. 387-396
9. Cristani M., Raghavendra R., Alessio Del Bue, Murino V. Human behaviour analysis in video surveillance: A Social Signal Processing perspective, Neurocomputing, 2013, C. 86-97
10. Efros A., Berg A., Mori G., Malik J. Recognizing action at a distance, Proceedings of the International Conference on Computer Vision, 2003, С. 726-733
11. Erhan D., Szegedy C., Toshev A., Anguelov D. Scalable Object Detection using Deep Neural Networks, Google, Inc, 2014
12. Foggia P., Saggesse A., Strisciuglio N., Vento M. Exploiting the deep learning paradigm for recognizing human actions, Advanced Video and Signal Based Surveillance, 2014, С. 93-98
13. Fortun D., Bouthemy P., Kervrann C. Optical flow modeling and computation: a survey, 2015
14. Hinton G., Li Deng, Dong Yu, Dahl G., Abdel-rahman Mohamed, Navdeep Jaitly, Senior A., Vanhoucke V., Nguyen P., Sainath T., Kingsbury B. Deep Neural Networks for Acoustic Modeling in Speech Recognition, IEEE Signal Processing Magazine, 2012, C. 82-97
15. Hinton G, Osindero, S., Teh, Y. A Fast Learning Algorithm For Deep Belief Networks, Neural Computation, 2006
16. Hubel D., Wiesel T. Receptive fields and functional architecture of monkey striate cortex, Journal of Physiology, 1986
17. Hussein M., Torki M., Gowayyed M., El-Saban M. Human Action Recognition Using a Temporal Hierarchy of Covariance Descriptors on 3D Joint Locations, IJCAI, 2013
18. Joost van Doorn, Analysis of Deep Convolutional Neural Network Architectures, University of Twente, 2014
19. Yan Ke, Sukthankar R., Hebert M. Spatio-temporal shape and flow correlation for action recognition, Proceedings of the Workshop on Visual Surveillance at the Conference on Computer Vision and Pattern Recognition, 2007, С. 1-8.
20. LeCun Y., Bottou L., Bengio Y., Haffner P. Gradient-Based Learning Applied to Document Recognition, Proceedings of the IEEE, 1998, C. 2278-2324.
21. LeCun Y., Generalization and Network Design Strategies, Elsevier, 1989
22. Krizhevsky A., Sutskever I., Hinton G., ImageNet Classification with Deep Convolutional Neural Networks, Advances in Neural Information Processing Systems, 2012
23. Laptev I., Lindeberg T. Local descriptors for spatio-temporal recognition, Workshop on Spatial Coherence for Visual Motion Analysis, 2004, C. 91-103.
24. Laptev I., Lindeberg T., Space-time interest points, Proceedings of the International Conference on Computer Vision, 2003, C. 432-439.
25. Jhuang H., Serre T., Wolf L, Poggio T. A Biologically Inspired System for Action Recognition, Proceedings of the International Conference on Computer Vision, 2007
26. Poppe R. A survey on vision-based human action recognition, Image and Vision Computing, 2010
27. Konstantinos Rapantzikos, Yannis S. Avrithis, Stefanos D. Kollias, Spatiotemporal saliency for event detection and representation in the 3D wavelet domain: potential in human action recognition, in: Proceedings of the International Conference on Image and Video Retrieval (CIVR'07), July 2007, Amsterdam, The Netherlands, 2007, C. 294-301.
28. Rosenblatt, Frank, The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain, Cornell Aeronautical Laboratory, Psychological Review, 1960, C. 386-408
29. Schmidhuber J. Deep Learning in Neural Networks: An Overview, Neural Networks, 2015, C. 85-117
30. Evan A. Suma, David M. Krum, Belinda Lange, Sebastian Koenig, Albert Rizzo, Mark Bolas, Adapting user interfaces for gestural interaction with the flexible action and articulated skeleton toolkit, Computers & Graphics, 2013, C. 193-201
31. Bastien F., Lamblin P., Pascanu R., Bergstra J., Goodfellow I., Bergeron A., Bouchard N., Warde-Farley D., Bengio Y. “Theano: new features and speed improvements”, NIPS 2012
32. Ying Wang, Kaiqi Huang, Tieniu Tan, Human activity recognition based on R transform, Proceedings of the Workshop on Visual Surveillance at the Conference on Computer Vision and Pattern Recognition, 2007, С. 1-8
33. Willems G., Tuytelaars T., Luc J. Van Gool, An efficient dense and scale-invariant spatio-temporal interest point detector, Proceedings of the European Conference on Computer Vision, 2008, С. 650-663
34. Zhibin Yu, Minho L. Human motion based intent recognition using a deep dynamic neural model, Robotics and Autonomous Systems, 2015
35. Shu-Fai Wong, Cipolla R. Extracting spatiotemporal interest points using global information, Proceedings of the International Conference on Computer Vision, 2007, C. 1-8
36. Tao Liu, A Novel Text Classification Approach Based on Deep Belief Network, Neural Information Processing. Theory and Algorithms Lecture Notes in Computer Science, 2010, C. 314-321
37. Shuiwang Ji, 3D Convolutional Neural Networks for Human Action Recognition, Pattern Analysis and Machine Intelligence, 2012, С. 221-231
38. Fukushima K. Neocognitron: A self-organizing neural network model for a mechanism of pattern recognition unaffected by shift in position. Biological Cybernetics, 1980, С. 93-202.
Размещено на Allbest.ru
...Подобные документы
Разработка алгоритма и программы для распознавания пола по фотографии с использованием искусственной нейронной сети. Создание алгоритмов: математического, работы с приложением, установки весов, реализации функции активации и обучения нейронной сети.
курсовая работа [1,0 M], добавлен 05.01.2013Описание структурной схемы искусственного нейрона. Характеристика искусственной нейронной сети как математической модели и устройств параллельных вычислений на основе микропроцессоров. Применение нейронной сети для распознавания образов и сжатия данных.
презентация [387,5 K], добавлен 11.12.2015Понятие искусственного нейрона и искусственных нейронных сетей. Сущность процесса обучения нейронной сети и аппроксимации функции. Смысл алгоритма обучения с учителем. Построение и обучение нейронной сети для аппроксимации функции в среде Matlab.
лабораторная работа [1,1 M], добавлен 05.10.2010Модель и задачи искусственного нейрона. Проектирование двуслойной нейронной сети прямого распространения с обратным распространением ошибки, способной подбирать коэффициенты ПИД-регулятора, для управления движения робота. Комплект “LEGO Mindstorms NXT.
отчет по практике [797,8 K], добавлен 13.04.2015Исследование нечеткой модели управления. Создание нейронной сети, выполняющей различные функции. Исследование генетического алгоритма поиска экстремума целевой функции. Сравнительный анализ нечеткой логики и нейронной сети на примере печи кипящего слоя.
лабораторная работа [2,3 M], добавлен 25.03.2014Механизм работы нервной системы и мозга человека. Схема биологического нейрона и его математическая модель. Принцип работы искусственной нейронной сети, этапы ее построения и обучения. Применение нейронных сетей в интеллектуальных системах управления.
презентация [98,6 K], добавлен 16.10.2013Нейронные сети и оценка возможности их применения к распознаванию подвижных объектов. Обучение нейронной сети распознаванию вращающегося трехмерного объекта. Задача управления огнем самолета по самолету. Оценка экономической эффективности программы.
дипломная работа [2,4 M], добавлен 07.02.2013Выбор типа и структуры нейронной сети. Подбор метода распознавания, структурная схема сети Хопфилда. Обучение системы распознавания образов. Особенности работы с программой, ее достоинства и недостатки. Описание интерфейса пользователя и экранных форм.
курсовая работа [3,0 M], добавлен 14.11.2013Этап предварительной обработки данных, классификации, принятия решения. Изображения обучающих рукописных символов, тестового символа. Выход нейронной сети для тестового символа. График тренировки нейронной сети. Последовательность точек. Входные вектора.
статья [245,7 K], добавлен 29.09.2008Изучение и реализация системы, использующей возможности Microsoft Azure для распределенного обучения нейронной сети. Рассмотрение функционирования распределенных вычислений. Выбор задачи для исследования; тестирование данного программного ресурса.
дипломная работа [2,0 M], добавлен 20.07.2015Математическая модель нейронной сети. Однослойный и многослойный персептрон, рекуррентные сети. Обучение нейронных сетей с учителем и без него. Алгоритм обратного распространения ошибки. Подготовка данных, схема системы сети с динамическим объектом.
дипломная работа [2,6 M], добавлен 23.09.2013Прогнозирование на фондовом рынке с помощью нейронных сетей. Описание типа нейронной сети. Определение входных данных и их обработка. Архитектура нейронной сети. Точность результата. Моделирование торговли. Нейронная сеть прямого распространения сигнала.
дипломная работа [2,7 M], добавлен 18.02.2017Математические модели, построенные по принципу организации и функционирования биологических нейронных сетей, их программные или аппаратные реализации. Разработка нейронной сети типа "многослойный персептрон" для прогнозирования выбора токарного станка.
курсовая работа [549,7 K], добавлен 03.03.2015Базовые архитектуры компьютеров: последовательная обработка символов по заданной программе и параллельное распознавание образов по обучающим примерам. Искусственные нейронные сети. Прототип для создания нейрона. Поведение искусственной нейронной сети.
контрольная работа [229,5 K], добавлен 28.05.2010Математическая модель искусственной нейронной сети. Структура многослойного персептрона. Обучение без учителя, методом соревнования. Правило коррекции по ошибке. Метод Хэбба. Генетический алгоритм. Применение нейронных сетей для синтеза регуляторов.
дипломная работа [1,5 M], добавлен 17.09.2013Общие сведения о принципах построения нейронных сетей. Искусственные нейронные системы. Математическая модель нейрона. Классификация нейронных сетей. Правила обучения Хэбба, Розенблатта и Видроу-Хоффа. Алгоритм обратного распространения ошибки.
дипломная работа [814,6 K], добавлен 29.09.2014Выявление закономерностей и свойств, применимых в искусственной нейронной сети. Построение графиков и диаграмм, определяющих степень удаленности между объектами. Моделирование, тестирование и отладка программной модели, использующей клеточный автомат.
дипломная работа [4,1 M], добавлен 25.02.2015Обзор 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 17.08.2011Проблема 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 04.05.2012Программная реализация статической нейронной сети Хемминга, распознающей символы текста. Описание реализации алгоритма. Реализация и обучение сети, входные символы. Локализация и масштабирование изображения, его искажение. Алгоритм распознавания текста.
контрольная работа [102,3 K], добавлен 29.06.2010
