Способи організації засобів нейромережевого розпізнавання об‘єкта на зображенні

Скорочена інформація про документ
dc.contributor.advisorТарасенко-Клятченко, Оксана Володимирівна
dc.contributor.authorБуц, Вікторія Віталіївна
dc.date.accessioned2018-06-01T12:44:27Z
dc.date.available2018-06-01T12:44:27Z
dc.date.issued2018-05
dc.description.abstractenThe Relevance. Year by year, the interest in solving more complex tasks of object recognition is growing, due to automation needs for shaped communication processes in intelligent systems. Therefore, improving the implementation of recognition of computer image systems is relevant. One of the promising directions for solving this problem is based on the use of artificial neural networks and neurocomputers as the most progressive in relation to the problems of classification of pattern recognition tasks. In our time, a large number of neural network architectures are proposed for application in the recognition of objects. The analysis of the proposed solutions shows that there is still no such model that would be the best among all the resulting performance parametrs. Prospects for the improvement of architectures are seen in convolutional neural networks. The advantages of roller networks over multilayers are to use a common weight in the roller coasters, which means that for each pixel of the layer is used the same filter (weight). The object of the study is the methods of organizing of neural network recognition of the object in the image using graphic processing units. The subject of the study is the methods and algorithms for the implementation of architectures of convolutional neural networks. The purpose and tasks: to create a neural network object recognition system on images, using a convolutional neural network of its own architecture using the hierarchical classifier. To propose an architecture that is best suited to solve a task - it will have higher performance, network learning time, number of parameters for object recognition and higher recognition accuracy compared to existing models of convolutional neural networks. Conduct network learning experiments using graphical processing units (GPUs) on seven data sets, namely: CIFAR-10, CIFAR-100, GTSRB, MNIST, HASYv2, STL-10, and SVHN.uk
dc.description.abstractruАктуальность темы. С каждым годом растет заинтересованность решения более сложных задач распознавания объектов, обусловленная автоматизацией, необходимостью образных процессов коммуникации в интеллектуальных системах. Поэтому совершенствование реализации распознавания комютернимы системами образов является актуальной. Одно из перспективных направлений решения данной проблемы основывается на применении искусственных нейронных сетей и нейрокомпьютеров, как наиболее прогрессивных по отношению проблем классификации задач распознавания образов. В наше время предложено большое количество архитектур нейросетей для применения в распознавании объектов. Анализ существующих решений показывает, что до сих пор не существует такой модели, которая была бы лучшей среди всех результирующих показателей работы. Перспективу в совершенствовании архитектур видят в сверточных нейронных сетях. Преимущества сверточных сетей над многослойными заключаются в использовании общих весов в сверточных слоях, что означает, что для каждого пикселя сверточного слоя используется один и тот же фильтр (банк веса). Объектом исследования являются способы организации средств нейросетевого распознавания объекта на изображении с использованием графических ускорителей. Предметом исследования являются методы и алгоритмы реализации архитектур сверточных нейронных сетей. Цель и задачи исследования: создать нейросетевую систему распознавания объектов на изображениях, используя сверточную нейронную сеть собственной архитектуры с использованием иерархического классификатора. Предложить архитектуру, которая будет предназначаться для решения поставленной задачи наилучшим образом – достигнуть более высоких показателей производительности, время обучения сети, количество параметров при распознавании объекта и высокого показателя точности распознавания по сравнению с уже существующими моделями сверточных нейронных сетей. Проделать эксперименты по обучению сети используя графические ускорители (анлг. Graphic processing unit, GPU) на семи наборах данных, а именно: CIFAR- 10, CIFAR-100, GTSRB, MNIST, HASYv2, STL-10 и SVHNuk
dc.description.abstractukАктуальність теми. З конжним роком зростає зацікавленість вирішення більш складних задач розпізнавання об’єктів, що обумовлена автоматизацією, необхідністю образних процесів комунікації в інтелектуальних системах. Тому удосконалення реалізації розпізнавання комютерними системами образів є актуальною. Один з перспективних напрямків вирішення даної проблеми ґрунтується на застосуванні штучних нейронних мереж і нейрокомп'ютерів, як найбільш прогресивних по відношенню проблем класифікації задач розпізнавання образів. У наш час запропоновано велику кількість архітектур нейромеж для застосування у розпізнаванні об’єктів. Аналіз запропонованих рішень показує, що й досі не існує такої моделі, яка б була кращою серед усіх результуючих показників роботи. Перспективу в удосконаленні архітектур вбачають у згорткових нейронних мережах. Переваги згорткових мереж над багатошаровими полягають у використанні спільної ваги у згорткових шарах, що означає, що для кожного пікселя шару використовується один і той же фільтр (банк ваги). Об’єктом дослідження є способи організації засобів нейромережевого розпізнавання об’єкта на зображенні з використанням графічних прискорювачів. Предметом дослідження є методи і алгоритми реалізації архітектур згорткових нейронних мереж. Мета і задачі дослідження: створити нейромережеву систему розпізнавання об’єктів на зображеннях, використовуючи згорткову нейронну мережу власної архітектури із використанням ієрархічного класифікатору. Запропонувати архітектуру, яка призначатиметься для вирішення поставленної задачі найкращим чином — матиме вищі показники продуктивності, час навчання мережі, кількість параметрів при розпізнавання обєкта та вищий показник точності розпізнавання у порівнянні з уже існуючими моделями згорткових нейронних мереж. Провести експерименти із навчання мережі використовуючи графічні прискорювачі (анлг. graphic processing unit, GPU) на семи наборах даних, а саме : CIFAR-10, CIFAR-100, GTSRB, MNIST, HASYv2, STL-10, та SVHNuk
dc.format.page129 с.uk
dc.identifier.citationБуц, В. В. Способи організації засобів нейромережевого розпізнавання об’єкта на зображенні : магістерська дис. : 123 Комп’ютерна інженерія («Системне програмування») / Буц Вікторія Віталіївна. – Київ, 2018. – 129 с.uk
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/23184
dc.language.isoukuk
dc.publisher.placeКиївuk
dc.subjectкомп’ютерний зірuk
dc.subjectзгорткова нейронна мережаuk
dc.subjectрозпізнавання об’єктаuk
dc.subjectкласифікаторuk
dc.subjectGPUuk
dc.subjectcomputer visionuk
dc.subjectconvolutional neural networkuk
dc.subjectobject recognitionuk
dc.subjectclassifieruk
dc.subjectGPUuk
dc.subjectкомпьютерное зрениеuk
dc.subjectсверточная нейронная сетьuk
dc.subjectраспознавание объектаuk
dc.subjectклассификаторuk
dc.subjectGPUuk
dc.titleСпособи організації засобів нейромережевого розпізнавання об‘єкта на зображенніuk
dc.typeMaster Thesisuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Buts_magistr.pdf
Розмір:
5.4 MB
Формат:
Adobe Portable Document Format
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
7.74 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Магістерські роботи (СПСКС)
Магістерські роботи