ВВЕДЕНИЕ 3
1. Описание предметной области 4
1.1. Архитектура SENet 6
2. Реализация и описание алгоритмов 9
3. Результаты экспериментов 16
3.1. Набор данных Omniglot 16
3.2. Валидация параметров нейронной сети 18
3.3. Эксперименты с новой архитектурой 26
ЗАКЛЮЧЕНИЕ 30
СПИСОК ЛИТЕРАТУРЫ 32
ПРИЛОЖЕНИЯ 35
Цель работы заключается в реализации метода однократного обучения для распознавания изображений с оценкой точности в режиме one-shot [1].
Для достижения цели ставятся следующие задачи:
– изучение литературы по теме;
– программная реализация сиамской нейронной сети на языке Python с использованием фреймворка TensorFlow;
– обучение нейронной сети на наборе данных Omniglot;
– валидация гиперпараметров нейронной сети;
– исследование возможности улучшения имеющихся результатов за счёт изменения архитектуры нейронной сети;
– анализ результов.
Войти
в кабинет
в кабинет
Пролистайте материалы и убедитесь в качестве
Реализация метода однократного обучения с помощью нейронной сети #9101434
Артикул: 9101434
- Предмет: Системный анализ и принятие решений
- Уникальность: 85% (Антиплагиат.ВУЗ)
- Разместил(-а): 185 Рамиль в 2019 году
- Количество страниц: 64
- Формат файла: docx
1 970p.
1. Lake B. One-shot learning by inverting a compositional causal process [Text] / B. Lake, R. Salakhutdinov, J. Gross, J. Tenenbaum // Advances in neural information processing systems. – 2013. – С. 2526-2534.
2. Yip K. Sparse representations for fast, one-shot learning [Электронный ресурс] / K. Yip, G. Sussman. – 1997. – URL: https://dspace.mit.edu/handle/1721.1/6673 (дата обращения: 31.05.2019).
3. Fe-Fei L. A Bayesian approach to unsupervised one-shot learning of object categories [Text] / L. Fe-Fei, R. Fergus, P. Perona // Proceedings Ninth IEEE International conference on computer vision. – 2003. – С. 1134-1141.
4. Fe-Fei L. One-shot learning of object categories [Text] / L. Fe-Fei,
R. Fergus, P. Perona // IEEE Transactions on pattern analysis and machine intelligence, Т. 28. – 2006. – №4. – С. 594-611.
5. Miller E. Learning from one example through shared densities on transforms [Text] / E. Miller, N. E. Matsakis, P. A. Viola // Proceedings IEEE conference on computer vision and pattern recognition, T.1. – 2000. – С. 464–471.
6. Tommasi T. The more you know, the less you learn: from knowledge transfer to one-shot learning of object categories [Text] / T. Tommasi, B. Caputo
// Proceedings of the British machine vision conference. – 2009. – №23. – C.80.1.
7. Wolf L. The one-shot similarity kernel [Text] / L. Wolf, T. Hassner // IEEE 12th international conference on computer vision. – 2009. – С. 897-902.
8. Lake B. et al. One shot learning of simple visual concepts [Text] // Proceedings of the annual meeting of the cognitive science society, T.33. – 2011.
– №33. – C. 2568-2573.
9. Salakhutdinov R. One-shot learning with a hierarchical nonparametric bayesian model [Text] / R. Salakhutdinov, J. Tenenbaum // Proceedings of ICML workshop on unsupervised and transfer learning. – 2012. – С. 195-206.
10. Krizhevsky A. Imagenet classification with deep convolutional neural networks [Text] / A. Krizhevsky, I. Sutskever, G. Hinton // Advances in neural information processing systems. – 2012. – С. 1097-1105.
11. ImageNet classification with deep convolutional neural networks [Элек- тронный ресурс]. – URL: http://www.image-net.org/challenges/LSVRC. (дата обращения: 20.05.2019)
12. Koch G. Siamese neural networks for one-shot image recognition [Text] /
G. Koch, R. Zemel, R. Salakhutdinov // ICML deep learning workshop, Т. 2. – 2015.
13. Bromley J. Signature verification using a siamese time delay neural network [Text] / J. Bromley, I. Guyon, Y. LeCun, E. Sackinger, R. Shah // Advances in neural information processing systems. – 1994. – С. 737-744.
14. Taigman Y. Deepface: Closing the gap to human-level performance in face verification [Text] / Y. Taigman, Y. Ming, M. Ranzato, L. Wolf // Proceedings of the IEEE conference on computer vision and pattern recognition. – 2014. – С. 1701-1708.
15. Schroff F. Facenet: A unified embedding for face recognition and clustering [Text] / F. Schroff, D. Kalenichenko, J. Philbin // Proceedings of the IEEE conference on computer vision and pattern recognition. – 2015. – С. 815-823.
16. Vinyals O. Matching networks for one shot learning [Text] / O. Vinyals,
C. Blundell, T. Lillicrap // Advances in neural information processing systems. – 2016. – С. 3630-3638.
17. Santoro A. One-shot learning with memory-augmented neural networks [Электронный ресурс] / B. Sergey B., M. Botvinick, D. Wierstra, T. Lillicrap.
– 2016. – URL: https://arxiv.org/abs/1605.06065 (дата обращения: 25.05.2019)
18. Michaelis C. One-shot segmentation in clutter [Text] / C. Michaelis, M. Bethge, A.S. Ecker // Proceedings of the 35th International Conference on Machine Learning. – 2018. – C. 3549-3558.
19. Shaban A. One-Shot learning for semantic segmentation [Электрон- ный ресурс] / S. Bansal, Z. Liu, I. Essa, B. Boots. – 2017. – URL: https://arxiv.org/abs/1709.03410 (дата обращения: 26.05.2019).
20. Keren G. Weakly supervised one-shot detection with attention siamese networks [Электронный ресурс] / G. Keren, M. Schmitt, T. Kehrenberg. – 2018. URL: https://arxiv.org/abs/1801.03329 (дата обращения: 26.05.2019).
21. Yuan J. et al. One-shot learning for fine-grained relation extraction via convolutional siamese neural network [Text] / J. Yuan, H. Guo, Z. Jin, H. Jin, X. Zhang // IEEE International conference on big data. – 2017. – С. 2194-2199.
22. Cai Q. Memory matching networks for one-shot image recognition [Text] /
Q. Cai, Y. Pan, T. Yao, C. Yan, T. Mei // Proceedings of the IEEE conference on computer vision and pattern recognition. – 2018. – С. 4080-4088.
23. Lake B. The Omniglot challenge: a 3-year progress report [Электрон- ный ресурс] / B. Lake, R. Salakhutdinov, J. B. Tenenbaum. – 2019. – URL: https://arxiv.org/abs/1902.03477 (дата обращения: 26.05.2019).
24. He K. Deep residual learning for image recognition [Text] / K. He, X. Zhang, S. Ren, J. Sun // Proceedings of the IEEE conference on computer vision and pattern recognition. – 2016. – С. 770-778.
25. Hu J. Squeeze-and-Excitation networks [Text] / J. Hu, L. Shen, G. Sun // IEEE conference on computer vision and pattern recognition. – 2018. – C. 7132- 7141.
26. Ioffe S. Batch normalization: accelerating deep network training by reducing internal covariate shift / S. Ioffe, C. Szegedy // Proceedings of the 32nd International conference on machine learning. – 2015. – C. 448-456.
27. He K. Delving deep into rectifiers: surpassing human-level performance on ImageNet classification [Text] / K. He, X. Zhang, S. Ren, J. Sun // The IEEE International conference on computer vision. – 2015. – C. 1026-1034.
28. Набор Omniglot [Электронный ресурс]. – 2015. URL: https://github.com/brendenlake/omniglot (дата обращения: 25.05.2019).
2. Yip K. Sparse representations for fast, one-shot learning [Электронный ресурс] / K. Yip, G. Sussman. – 1997. – URL: https://dspace.mit.edu/handle/1721.1/6673 (дата обращения: 31.05.2019).
3. Fe-Fei L. A Bayesian approach to unsupervised one-shot learning of object categories [Text] / L. Fe-Fei, R. Fergus, P. Perona // Proceedings Ninth IEEE International conference on computer vision. – 2003. – С. 1134-1141.
4. Fe-Fei L. One-shot learning of object categories [Text] / L. Fe-Fei,
R. Fergus, P. Perona // IEEE Transactions on pattern analysis and machine intelligence, Т. 28. – 2006. – №4. – С. 594-611.
5. Miller E. Learning from one example through shared densities on transforms [Text] / E. Miller, N. E. Matsakis, P. A. Viola // Proceedings IEEE conference on computer vision and pattern recognition, T.1. – 2000. – С. 464–471.
6. Tommasi T. The more you know, the less you learn: from knowledge transfer to one-shot learning of object categories [Text] / T. Tommasi, B. Caputo
// Proceedings of the British machine vision conference. – 2009. – №23. – C.80.1.
7. Wolf L. The one-shot similarity kernel [Text] / L. Wolf, T. Hassner // IEEE 12th international conference on computer vision. – 2009. – С. 897-902.
8. Lake B. et al. One shot learning of simple visual concepts [Text] // Proceedings of the annual meeting of the cognitive science society, T.33. – 2011.
– №33. – C. 2568-2573.
9. Salakhutdinov R. One-shot learning with a hierarchical nonparametric bayesian model [Text] / R. Salakhutdinov, J. Tenenbaum // Proceedings of ICML workshop on unsupervised and transfer learning. – 2012. – С. 195-206.
10. Krizhevsky A. Imagenet classification with deep convolutional neural networks [Text] / A. Krizhevsky, I. Sutskever, G. Hinton // Advances in neural information processing systems. – 2012. – С. 1097-1105.
11. ImageNet classification with deep convolutional neural networks [Элек- тронный ресурс]. – URL: http://www.image-net.org/challenges/LSVRC. (дата обращения: 20.05.2019)
12. Koch G. Siamese neural networks for one-shot image recognition [Text] /
G. Koch, R. Zemel, R. Salakhutdinov // ICML deep learning workshop, Т. 2. – 2015.
13. Bromley J. Signature verification using a siamese time delay neural network [Text] / J. Bromley, I. Guyon, Y. LeCun, E. Sackinger, R. Shah // Advances in neural information processing systems. – 1994. – С. 737-744.
14. Taigman Y. Deepface: Closing the gap to human-level performance in face verification [Text] / Y. Taigman, Y. Ming, M. Ranzato, L. Wolf // Proceedings of the IEEE conference on computer vision and pattern recognition. – 2014. – С. 1701-1708.
15. Schroff F. Facenet: A unified embedding for face recognition and clustering [Text] / F. Schroff, D. Kalenichenko, J. Philbin // Proceedings of the IEEE conference on computer vision and pattern recognition. – 2015. – С. 815-823.
16. Vinyals O. Matching networks for one shot learning [Text] / O. Vinyals,
C. Blundell, T. Lillicrap // Advances in neural information processing systems. – 2016. – С. 3630-3638.
17. Santoro A. One-shot learning with memory-augmented neural networks [Электронный ресурс] / B. Sergey B., M. Botvinick, D. Wierstra, T. Lillicrap.
– 2016. – URL: https://arxiv.org/abs/1605.06065 (дата обращения: 25.05.2019)
18. Michaelis C. One-shot segmentation in clutter [Text] / C. Michaelis, M. Bethge, A.S. Ecker // Proceedings of the 35th International Conference on Machine Learning. – 2018. – C. 3549-3558.
19. Shaban A. One-Shot learning for semantic segmentation [Электрон- ный ресурс] / S. Bansal, Z. Liu, I. Essa, B. Boots. – 2017. – URL: https://arxiv.org/abs/1709.03410 (дата обращения: 26.05.2019).
20. Keren G. Weakly supervised one-shot detection with attention siamese networks [Электронный ресурс] / G. Keren, M. Schmitt, T. Kehrenberg. – 2018. URL: https://arxiv.org/abs/1801.03329 (дата обращения: 26.05.2019).
21. Yuan J. et al. One-shot learning for fine-grained relation extraction via convolutional siamese neural network [Text] / J. Yuan, H. Guo, Z. Jin, H. Jin, X. Zhang // IEEE International conference on big data. – 2017. – С. 2194-2199.
22. Cai Q. Memory matching networks for one-shot image recognition [Text] /
Q. Cai, Y. Pan, T. Yao, C. Yan, T. Mei // Proceedings of the IEEE conference on computer vision and pattern recognition. – 2018. – С. 4080-4088.
23. Lake B. The Omniglot challenge: a 3-year progress report [Электрон- ный ресурс] / B. Lake, R. Salakhutdinov, J. B. Tenenbaum. – 2019. – URL: https://arxiv.org/abs/1902.03477 (дата обращения: 26.05.2019).
24. He K. Deep residual learning for image recognition [Text] / K. He, X. Zhang, S. Ren, J. Sun // Proceedings of the IEEE conference on computer vision and pattern recognition. – 2016. – С. 770-778.
25. Hu J. Squeeze-and-Excitation networks [Text] / J. Hu, L. Shen, G. Sun // IEEE conference on computer vision and pattern recognition. – 2018. – C. 7132- 7141.
26. Ioffe S. Batch normalization: accelerating deep network training by reducing internal covariate shift / S. Ioffe, C. Szegedy // Proceedings of the 32nd International conference on machine learning. – 2015. – C. 448-456.
27. He K. Delving deep into rectifiers: surpassing human-level performance on ImageNet classification [Text] / K. He, X. Zhang, S. Ren, J. Sun // The IEEE International conference on computer vision. – 2015. – C. 1026-1034.
28. Набор Omniglot [Электронный ресурс]. – 2015. URL: https://github.com/brendenlake/omniglot (дата обращения: 25.05.2019).
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: | Реализация метода однократного обучения с помощью нейронной сети |
| Артикул: | 9101434 |
| Дата написания: | 11.06.2019 |
| Тип работы: | Курсовая работа |
| Предмет: | Системный анализ и принятие решений |
| Оригинальность: | Антиплагиат.ВУЗ — 85% |
| Количество страниц: | 64 |
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: Реализация метода однократного обучения с помощью нейронной сети по предмету системный анализ и принятие решений
Пролистайте "Реализация метода однократного обучения с помощью нейронной сети" и убедитесь в качестве
После покупки артикул автоматически будет удален с сайта до 25.05.2024
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
Системы выявления несанкционированного доступа к критическим ресурсам современных мобильных операционных систем
СЛЕДУЮЩАЯ РАБОТА
Сравнительный анализ оптимизационных подходов к решению задачи классификации