ВВЕДЕНИЕ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1 Описание предметной области . . . . . . . . . . . . . . . . . . . . . 6
1.1 Постановка задачи . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2 Обзор существующих методов . . . . . . . . . . . . . . . . . . 6
1.3 Поиск похожих изображений . . . . . . . . . . . . . . . . . . . 8
1.4 Классификация изображений 13
2 Описание метода 18
2.1 Методы оценки результатов 19
2.2 Поиск похожих объектов на изображениях 20
2.3 Классификация объектов на изображении 26
3 Описание экспериментов 28
3.1 Набор данных 30
3.2 Валидация гиперпараметров 37
3.3 Результаты 44
ЗАКЛЮЧЕНИЕ 46
СПИСОК ЛИТЕРАТУРЫ 56
ПРИЛОЖЕНИЯ 60
Целью данной работы является разработка и реализация алгоритма
идентификации изображений, содержащих заданный объект. Для достижения поставленной цели требуется выполнить следующие задачи:
– изучить существующие подходы к решению поставленной задачи;
– исследовать предметную область: изучить методы поиска похожих изображений и методы классификации объектов на изображении;
– реализовать подход к поиску похожих изображений на основе ключевых точек;
– реализовать и обучить нейронную сеть для классификации объектов на изображении с использованием синтетических данных;
– разработать алгоритм объединения предложенных методов;
– провести эксперименты, используя реализованные алгоритмы: валидация гиперпараметров;
– сравнить результаты работы реализованных подходов.
Войти
в кабинет
в кабинет
Пролистайте материалы и убедитесь в качестве
Разработка и реализация алгоритма идентификации изображений, содержащих заданный объект #9103894
Артикул: 9103894
- Предмет: Программирование
- Уникальность: 85% (Антиплагиат.ВУЗ)
- Разместил(-а): 185 Рамиль в 2021 году
- Количество страниц: 103
- Формат файла: docx
- Последняя покупка: 04.07.2023
1 999p.
2 500p.
Только 27 и 28 апреля!
1. Liu S. Street-to-Shop: Cross-Scenario Clothing Retrieval via Parts Alignment and Auxiliary Set / S. Liu, Z. Song, G. Liu, C. Xu, H. Lu, S. Yan // IEEE Conference on Computer Vision and Pattern Recognition. - 2012. - P. 3330-3337.
2. Kiapour M.H. Where to Buy It: Matching Street Clothing Photos in Online Shops / M. H. Kiapour, X. Han, S. Lazebnik, A. C. Berg, T. L. Berg // IEEE International Conference on Computer Vision. - 2015. - P. 3343-3351.
3. Sanakoyeu A. Divide and Conquer the Embedding Space for Metric Learning / A. Sanakoyeu, V. Tschernezki, U. Bu¨chler, B. Ommer // IEEE/CVF Conference on Computer Vision and Pattern Recognition. - 2019. - P. 471-480.
4. Karpusha M. Calibrated neighborhood aware confidence measure for deep metric learning / M. Karpusha, S. Yun, I. Fehervari // ArXiv. - 2020. - URL: https://arxiv.org/pdf/2006.04935.pdf (дата обращения: 11.02.2021).
5. Lasserre J. Studio2Shop: from studio photo shoots to fashion articles
/ J. Lasserre, K. Rasch, R. Vollgraf // Proceedings of the 7th International Conference on Pattern Recognition Applications and Methods. - 2018. - P. 37- 48.
6. Deng J. ImageNet: a Large-Scale Hierarchical Image Database / J. Deng,
W. Dong, R. Socher, L.-J. Li, K. Li, F.-F. Li // IEEE Conference on Computer Vision and Pattern Recognition. - 2009. - P. 248–255
7. Simonyan K. Very Deep Convolutional Networks for Large-Scale Image Recognition / K. Simonyan, A. Zisserman // Published as a conference paper at ICLR 2015. - 2015. - URL: https://arxiv.org/pdf/1409.1556.pdf (дата обраще- ния: 12.02.2021).
8. Merler M. Recognizing Groceries in situ Using in vitro Training Data /
M. Merler, C. Galleguillos, S. Belongie // IEEE Conference on Computer Vision and Pattern Recognition. - 2007. - P. 1-8.
9. Lowe D. G. Object recognition from local scale-invariant features / D.G. Lowe // In International Conference on Computer Vision. - 1999. - P. 1150–1157.
10. Csurka G. Visual categorization with bags of keypoints / G. Csurka, C. Dance, L.X. Fan, J. Willamowski, C. Bray // Proceedings of ECCV International Workshop on Statistical Learning in Computer Vision. - 2004. - P. 1-22.
11. Rublee E. ORB: an efficient alternative to SIFT or SURF / E. Rublee,
V. Rabaud, K. Konolige, G. Bradski // International Conference on Computer Vision. - 2011. - P. 2564–2571.
12. Harris C. A combined corner and edge detector / C. Harris, M. Stephens
// In Alvey Vision Conference. - 1988. - P. 147–151.
13. Bay H. SURF: Speeded Up Robust Features / H. Bay, T. Tuytelaars, L.
V. Gool // European Conference on Computer Vision. - 2006. - P. 404-417.
14. Arandjelovic R. Three things everyone should know to improve object retrieval / R. Arandjelovic, A. Zisserman // IEEE Conference on Computer Vision and Pattern Recognition. - 2012. - P. 2911-2918.
15. Kaufman L. Finding groups in data: An introduction to cluster analysis
/ L. Kaufman, P. J. Rousseeuw. - Hoboken, New Jersey: John Wiley Sons, 1990.
- 342 p. - ISBN: 978-0-471-73578-6.
16. MacQueen J. B. Some Methods for classification and Analysis of Multivariate Observations / J. B. MacQueen // Proceedings of 5th Berkeley Symposium on Mathematical Statistics and Probability. - 1967. - P. 281–297.
17. Yang J. Evaluating Bag-of-Visual-Words Representations in Scene Classification / J. Yang, Y. Jiang, A. G. Hauptmann, C. Ngo // Proceedings of the international workshop on Workshop on multimedia information retrieval.
- 2007. - P. 197–206.
18. Krizhevsky A. ImageNet Classification with Deep Convolutional Neural Networks / A. Krizhevsky, I. Sutskever, G. E. Hinton // The proceedings of the Neural Information Processing Systems Conference. - 2012. - P. 84–90.
19. Не K. Deep residual learning for image recognition / K. He, X. Zhang,
S. Ren, J. Sun // IEEE conference on computer vision and pattern recognition.
- 2016. - P. 770-778.
20. Ioffe S. Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift / S. Ioffe, C. Szegedy. // Proceedings of the International Conference on Machine Learning. – 2015. - P. 448-456.
21. Tian Y. Training and Testing Object Detectors with Virtual Images / Y. Tian, X. Li, K. Wang, F.-Y. Wang // IEEE/CAA Journal of Automatica Sinica.
- 2018. - № 2. - P. 539-546.
22. Gupta A. Synthetic Data for Text Localisation in Natural Images / A. Gupta, A. Vedaldi, A. Zisserman // IEEE Conference on Computer Vision and Pattern Recognition. - 2016. - P. 2315-2324.
23. Sivic J. Video Google: A Text Retrieval Approach to Object Matching in Videos / J. Sivic, A. Zisserman // Proceedings Ninth IEEE International Conference on Computer Vision. - 2003. - P. 1470–1478.
24. Lowe D. G. Distinctive Image Features from Scale-Invariant Keypoints /
D.G. Lowe // International Journal of Computer Vision. - 2004. - P. 91–110.
25. Fischler M.A. Random sample consensus: a paradigm for model fitting with applications to image analysis and automated cartography / M. A. Fischler,
R. C. Bolles // Communications of the ACM. - 1981. - № 6. - P. 381-395.
26. Kaggle: [сайт]. - 2010. - URL: https://www.kaggle.com/ (дата обраще- ния: 15.02.2021).
27. Telegram : [сайт]. - 2013. - URL: https://telegram.org (дата обращения: 18.04.2021).
2. Kiapour M.H. Where to Buy It: Matching Street Clothing Photos in Online Shops / M. H. Kiapour, X. Han, S. Lazebnik, A. C. Berg, T. L. Berg // IEEE International Conference on Computer Vision. - 2015. - P. 3343-3351.
3. Sanakoyeu A. Divide and Conquer the Embedding Space for Metric Learning / A. Sanakoyeu, V. Tschernezki, U. Bu¨chler, B. Ommer // IEEE/CVF Conference on Computer Vision and Pattern Recognition. - 2019. - P. 471-480.
4. Karpusha M. Calibrated neighborhood aware confidence measure for deep metric learning / M. Karpusha, S. Yun, I. Fehervari // ArXiv. - 2020. - URL: https://arxiv.org/pdf/2006.04935.pdf (дата обращения: 11.02.2021).
5. Lasserre J. Studio2Shop: from studio photo shoots to fashion articles
/ J. Lasserre, K. Rasch, R. Vollgraf // Proceedings of the 7th International Conference on Pattern Recognition Applications and Methods. - 2018. - P. 37- 48.
6. Deng J. ImageNet: a Large-Scale Hierarchical Image Database / J. Deng,
W. Dong, R. Socher, L.-J. Li, K. Li, F.-F. Li // IEEE Conference on Computer Vision and Pattern Recognition. - 2009. - P. 248–255
7. Simonyan K. Very Deep Convolutional Networks for Large-Scale Image Recognition / K. Simonyan, A. Zisserman // Published as a conference paper at ICLR 2015. - 2015. - URL: https://arxiv.org/pdf/1409.1556.pdf (дата обраще- ния: 12.02.2021).
8. Merler M. Recognizing Groceries in situ Using in vitro Training Data /
M. Merler, C. Galleguillos, S. Belongie // IEEE Conference on Computer Vision and Pattern Recognition. - 2007. - P. 1-8.
9. Lowe D. G. Object recognition from local scale-invariant features / D.G. Lowe // In International Conference on Computer Vision. - 1999. - P. 1150–1157.
10. Csurka G. Visual categorization with bags of keypoints / G. Csurka, C. Dance, L.X. Fan, J. Willamowski, C. Bray // Proceedings of ECCV International Workshop on Statistical Learning in Computer Vision. - 2004. - P. 1-22.
11. Rublee E. ORB: an efficient alternative to SIFT or SURF / E. Rublee,
V. Rabaud, K. Konolige, G. Bradski // International Conference on Computer Vision. - 2011. - P. 2564–2571.
12. Harris C. A combined corner and edge detector / C. Harris, M. Stephens
// In Alvey Vision Conference. - 1988. - P. 147–151.
13. Bay H. SURF: Speeded Up Robust Features / H. Bay, T. Tuytelaars, L.
V. Gool // European Conference on Computer Vision. - 2006. - P. 404-417.
14. Arandjelovic R. Three things everyone should know to improve object retrieval / R. Arandjelovic, A. Zisserman // IEEE Conference on Computer Vision and Pattern Recognition. - 2012. - P. 2911-2918.
15. Kaufman L. Finding groups in data: An introduction to cluster analysis
/ L. Kaufman, P. J. Rousseeuw. - Hoboken, New Jersey: John Wiley Sons, 1990.
- 342 p. - ISBN: 978-0-471-73578-6.
16. MacQueen J. B. Some Methods for classification and Analysis of Multivariate Observations / J. B. MacQueen // Proceedings of 5th Berkeley Symposium on Mathematical Statistics and Probability. - 1967. - P. 281–297.
17. Yang J. Evaluating Bag-of-Visual-Words Representations in Scene Classification / J. Yang, Y. Jiang, A. G. Hauptmann, C. Ngo // Proceedings of the international workshop on Workshop on multimedia information retrieval.
- 2007. - P. 197–206.
18. Krizhevsky A. ImageNet Classification with Deep Convolutional Neural Networks / A. Krizhevsky, I. Sutskever, G. E. Hinton // The proceedings of the Neural Information Processing Systems Conference. - 2012. - P. 84–90.
19. Не K. Deep residual learning for image recognition / K. He, X. Zhang,
S. Ren, J. Sun // IEEE conference on computer vision and pattern recognition.
- 2016. - P. 770-778.
20. Ioffe S. Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift / S. Ioffe, C. Szegedy. // Proceedings of the International Conference on Machine Learning. – 2015. - P. 448-456.
21. Tian Y. Training and Testing Object Detectors with Virtual Images / Y. Tian, X. Li, K. Wang, F.-Y. Wang // IEEE/CAA Journal of Automatica Sinica.
- 2018. - № 2. - P. 539-546.
22. Gupta A. Synthetic Data for Text Localisation in Natural Images / A. Gupta, A. Vedaldi, A. Zisserman // IEEE Conference on Computer Vision and Pattern Recognition. - 2016. - P. 2315-2324.
23. Sivic J. Video Google: A Text Retrieval Approach to Object Matching in Videos / J. Sivic, A. Zisserman // Proceedings Ninth IEEE International Conference on Computer Vision. - 2003. - P. 1470–1478.
24. Lowe D. G. Distinctive Image Features from Scale-Invariant Keypoints /
D.G. Lowe // International Journal of Computer Vision. - 2004. - P. 91–110.
25. Fischler M.A. Random sample consensus: a paradigm for model fitting with applications to image analysis and automated cartography / M. A. Fischler,
R. C. Bolles // Communications of the ACM. - 1981. - № 6. - P. 381-395.
26. Kaggle: [сайт]. - 2010. - URL: https://www.kaggle.com/ (дата обраще- ния: 15.02.2021).
27. Telegram : [сайт]. - 2013. - URL: https://telegram.org (дата обращения: 18.04.2021).
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 реализация алгоритма идентификации изображений, содержащих заданный объект |
| Артикул: | 9103894 |
| Дата написания: | 27.04.2021 |
| Тип работы: | Дипломная работа |
| Предмет: | Программирование |
| Оригинальность: | Антиплагиат.ВУЗ — 85% |
| Количество страниц: | 103 |
Скрин проверки АП.ВУЗ приложен на последней странице.
В работе представлены только пояснительная записка и листинг программы. Самой программы нет
В работе представлены только пояснительная записка и листинг программы. Самой программы нет
Файлы артикула: Разработка и реализация алгоритма идентификации изображений, содержащих заданный объект по предмету программирование
Пролистайте "Разработка и реализация алгоритма идентификации изображений, содержащих заданный объект" и убедитесь в качестве
После покупки артикул автоматически будет удален с сайта до 27.06.2024
Посмотреть остальные страницы ▼
Честный антиплагиат!
Уникальность работы — 85% (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 приложения по анализу сетевого трафика
СЛЕДУЮЩАЯ РАБОТА
Разработка Android-приложения 'Physics' для выпускников школ