РЕФЕРАТ 3
ОБОЗНАЧЕНИЯ И СОКРАЩЕНИЯ 4
ВВЕДЕНИЕ 5
1 КРАТКИЕ ТЕОРЕТИЧЕСКИЕ СВЕДЕНИЯ 7
1.1 Задача распознавания образов 7
1.2 Общие сведения о нейронных сетях 7
1.3 Функции активации 10
1.3.1 Сигмоида 10
1.3.2 Гиперболический тангенс 11
1.3.3 ReLu 12
1.4 Основные структуры нейронных сетей 13
1.4.1 Многослойные нейронные сети 14
1.4.2 Свѐрточные нейронные сети 15
1.5 Обучение нейронной сети 18
1.5.1 Алгоритм обратного распространения ошибки 18
1.5.2 Обучения сверточного слоя 19
2 РАЗРАБОТКА ПРИЛОЖЕНИЯ 22
2.1 Описание разработанного алгоритма 22
2.2 Классы и методы 24
2.3 Графический интерфейс 28
2.4 Архитектура сети 30
2.5 Выборка 33
2.6 Анализ и тестирование приложения 34
ЗАКЛЮЧЕНИЕ 39
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 40
ПРИЛОЖЕНИЕ А 42
В последние десятилетия в мире высокими темпами происходит развитие интеллектуальных информационных систем (ИИС). Они нашли применение во многих сферах общественной жизни и во многих предметных областях. Сейчас ИИС помогают людям найти нужную информацию, прогнозируют погоду, защищают данные людей, регулируют дорожное движение и управляют автомобилями. Это именно те процессы, в которых для достижения конечной цели необходимо обрабатывать большой объем данных. И результат будет во многом зависеть от того, насколько точно и быстро были проанализированы все необходимые данные. Для этого ИИС должна базироваться на ЭВМ с высокими вычислительными способностями и, самое главное, иметь достаточно большую базу нужных данных.
Одним из основных инструментов ИИС являются нейронный сети (НС) и текущее увеличение интереса к ним связано, с тем, что сейчас имеются необходимые средства для их разработки и использования. А именно, большие наборы данных для анализа и принятия точных решений, а также вычислительные мощности ЭВМ. Благодаря этому искусственные нейронные сети начали применять во многих информационных системах.
Нейронные сети решают большое количество задач: прогнозирование, аппроксимация, распознавание. На данный момент одной из самых актуальных проблем является проблема так называемого распознавания объектов или Object Detection. Многие компании и университеты выделяют много ресурсы для решения данных задач и применения их в реальной жизни. Так, например, сейчас активно развивается ИС, управляющая автомобилем, в основе которой также лежит нейронная сеть, распознающая объекты, такие как дорога, автомобили, пешеходы. Однако, существуют различные структуры нейронных сетей, решающих данную задачу и имеющих разные результаты. И заранее не известно, какая из структур даст наилучший результат. Поэтому данное
направление требует постоянного улучшение и доработки, создания новых различных структур для решения поставленных задач.
Цель моей работы – повысить точность автоматического распознования группы объектов (автомобилей) на изображениях с помощью разработки приложения на основе нейронной сети.
Для достижения данной цели требуется решить следующие задачи:
• изучить основные подходы и структуры нейронных сетей, применяемых для распознавания на изображениях таких объектов, как автомобиль;
• построить подходящую структуру свѐрточных нейронных сетей;
• настроить и обучить свѐрточную сеть;
• провести тестирование и сделать анализ работы приложения.
Войти
в кабинет
в кабинет
Пролистайте материалы и убедитесь в качестве
Разработка и программная реализация алгоритма распознавания группы объектов на изображении #9104900
Артикул: 9104900
- Предмет: Программирование
- Уникальность: 71% (Антиплагиат.ВУЗ)
- Разместил(-а): 185 Рамиль в 2021 году
- Количество страниц: 65
- Формат файла: docx
- Последняя покупка: 09.04.2023
1 999p.
2 500p.
Только 27 и 28 апреля!
1. Саймон Хайкин. Нейронные сети. Полный курс / С. Хайкин. 2-е изд. – Москва: Издательский дом «Вильямс», 2006. – 1104 с. Текст: непосредственный.
2. Рашид Тариков. Создаем нейрнную сеть/ Р. Тариков – 1-е изд. - Москва: Издательский дом «Вильямс», 2018 – 272 с. – Текст: непосредственный.
3. Роберт Лафоре. ООП С++/ Р. Лафоре – 4-е изд. - Москва: Издательский дом «Питер», 2018 – 982 с. – Текст: непосредственный.
4. Б. Страуструп. Язык программирования С++/ Б. Страуструп – 2-е изд. - Москва: Издательский дом «Бином», 2018 – 1136 с. – Текст: непосредственный.
5. А. Кадурин. Глубокое обучение/ А. Кадурин – 2-е изд. - Москва: Издательский дом «Питер», 2018 – 480 с. – Текст: непосредственный.
6. Э. Траск. Грокаем глубокое обучение/ Э. Траск – 1-е изд. - Москва: Издательский дом «Питер», 2019 – 352 с. – Текст: непосредственный
7. М. Умберто. Прикладное глубокое обучение/ Э. Траск – 1-е изд. – Санкт- Питербург: Издательский дом «БХВ-Питербург», 2020 – 368 с. – Текст: непосредственный.
8. Гудфеллоу Я. Глубокое обучение / Я. Гудфеллоу, И. Бенджио, А. Курвилль; перевод с английского А. А. Слинкиной. – 2-е изд. испр. – Москва: ДМК Пресс, 2018. – 652 с. Текст: непосредственный.
9. Шолле Ф. Глубокое обучение на Python / Ф. Шолле. – Санкт-Петербург : Питер, 2018. – 400 с. Текст: непосредственный.
10. Черкасов Ю. Алгоритм обучения многослойной нейронной сети методом обратного распространения ошибки (Backpropagation) / Черкасов Ю. - Текст: электронный // habr.com: [сайт]. - URL: https://habr.com/post/198268/ (дата обращения: 29.04.2020).
11. Голиков И. Нейронные сети для начинающих / Голиков И. - Текст: электронный// habr.com: [сайт]. - URL: https://habr.com/ru/post/312450/ (дата обращения 15.04.2020).
12. Голиков И. Сверточная нейронная сеть / Голиков И. - Текст: электронный
// habr.com: [сайт] URL: https://habr.com/ru/post/348000/ (дата обращения: 18.04.2020).
13. Pulkit Sharma. Detection Objects / Sharma P. -Текст: электронный // analyticsvidhya.com: [сайт]. – URL: https://www.analyticsvidhya.com/blog/2018/10/a-step-by-step-introduction-to- the-basic-object-detection-algorithms-part-1/ (дата обращения: 02.03.2020).
14. Исаков С. Архитектура ИНС / Исаков С. - Текст: электронный // neurohive.io: [сайт]. – URL: https://neurohive.io/ru/osnovy-data- science/glubokaya-svertochnaja-nejronnaja-set/ (дата обращения: 01.03.2020).
15. Э. Джейн. Введение в искусственные нейронные сети/ Э. Джен. - Текст электронный// osp.ru:[сайт] – URL: https://www.osp.ru/os/1997/04/179189/ (дата обращения: 09.03.2020).
2. Рашид Тариков. Создаем нейрнную сеть/ Р. Тариков – 1-е изд. - Москва: Издательский дом «Вильямс», 2018 – 272 с. – Текст: непосредственный.
3. Роберт Лафоре. ООП С++/ Р. Лафоре – 4-е изд. - Москва: Издательский дом «Питер», 2018 – 982 с. – Текст: непосредственный.
4. Б. Страуструп. Язык программирования С++/ Б. Страуструп – 2-е изд. - Москва: Издательский дом «Бином», 2018 – 1136 с. – Текст: непосредственный.
5. А. Кадурин. Глубокое обучение/ А. Кадурин – 2-е изд. - Москва: Издательский дом «Питер», 2018 – 480 с. – Текст: непосредственный.
6. Э. Траск. Грокаем глубокое обучение/ Э. Траск – 1-е изд. - Москва: Издательский дом «Питер», 2019 – 352 с. – Текст: непосредственный
7. М. Умберто. Прикладное глубокое обучение/ Э. Траск – 1-е изд. – Санкт- Питербург: Издательский дом «БХВ-Питербург», 2020 – 368 с. – Текст: непосредственный.
8. Гудфеллоу Я. Глубокое обучение / Я. Гудфеллоу, И. Бенджио, А. Курвилль; перевод с английского А. А. Слинкиной. – 2-е изд. испр. – Москва: ДМК Пресс, 2018. – 652 с. Текст: непосредственный.
9. Шолле Ф. Глубокое обучение на Python / Ф. Шолле. – Санкт-Петербург : Питер, 2018. – 400 с. Текст: непосредственный.
10. Черкасов Ю. Алгоритм обучения многослойной нейронной сети методом обратного распространения ошибки (Backpropagation) / Черкасов Ю. - Текст: электронный // habr.com: [сайт]. - URL: https://habr.com/post/198268/ (дата обращения: 29.04.2020).
11. Голиков И. Нейронные сети для начинающих / Голиков И. - Текст: электронный// habr.com: [сайт]. - URL: https://habr.com/ru/post/312450/ (дата обращения 15.04.2020).
12. Голиков И. Сверточная нейронная сеть / Голиков И. - Текст: электронный
// habr.com: [сайт] URL: https://habr.com/ru/post/348000/ (дата обращения: 18.04.2020).
13. Pulkit Sharma. Detection Objects / Sharma P. -Текст: электронный // analyticsvidhya.com: [сайт]. – URL: https://www.analyticsvidhya.com/blog/2018/10/a-step-by-step-introduction-to- the-basic-object-detection-algorithms-part-1/ (дата обращения: 02.03.2020).
14. Исаков С. Архитектура ИНС / Исаков С. - Текст: электронный // neurohive.io: [сайт]. – URL: https://neurohive.io/ru/osnovy-data- science/glubokaya-svertochnaja-nejronnaja-set/ (дата обращения: 01.03.2020).
15. Э. Джейн. Введение в искусственные нейронные сети/ Э. Джен. - Текст электронный// osp.ru:[сайт] – URL: https://www.osp.ru/os/1997/04/179189/ (дата обращения: 09.03.2020).
Материалы, размещаемые в каталоге, с согласия автора, могут использоваться только в качестве дополнительного инструмента для решения имеющихся у вас задач,
сбора информации и источников, содержащих стороннее мнение по вопросу, его оценку, но не являются готовым решением.
Пользователь вправе по собственному усмотрению перерабатывать материалы, создавать производные произведения,
соглашаться или не соглашаться с выводами, предложенными автором, с его позицией.
| Тема: | Разработка и программная реализация алгоритма распознавания группы объектов на изображении |
| Артикул: | 9104900 |
| Дата написания: | 28.06.2021 |
| Тип работы: | Дипломная работа |
| Предмет: | Программирование |
| Оригинальность: | Антиплагиат.ВУЗ — 71% |
| Количество страниц: | 65 |
Скрин проверки АП.ВУЗ приложен на последней странице.
В работе представлены только пояснительная записка и листинг. Самой программы нет
В работе представлены только пояснительная записка и листинг. Самой программы нет
Файлы артикула: Разработка и программная реализация алгоритма распознавания группы объектов на изображении по предмету программирование
Пролистайте "Разработка и программная реализация алгоритма распознавания группы объектов на изображении" и убедитесь в качестве
После покупки артикул автоматически будет удален с сайта до 27.06.2024
Посмотреть остальные страницы ▼
Честный антиплагиат!
Уникальность работы — 71% (оригинальный текст + цитирования, без учета списка литературы и приложений), приведена по системе Антиплагиат.ВУЗ на момент её написания и могла со временем снизиться. Мы понимаем, что это важно для вас, поэтому сразу после оплаты вы сможете бесплатно поднять её. При этом текст и форматирование в работе останутся прежними.
Гарантируем возврат денег!
Качество каждой готовой работы, представленной в каталоге, проверено и соответствует описанию. В случае обоснованных претензий мы гарантируем возврат денег в течение 24 часов.
ПРЕДЫДУЩАЯ РАБОТА
Разработка веб-сервиса кинотеатров
СЛЕДУЮЩАЯ РАБОТА
Разработка web-сервиса для организации праздничных мероприятий