Similar presentations:
Исследование архитектур нейронных сетей для обработки изображений
1.
Кафедра Вычислительнойтехники НГТУ 2024
Доклад на тему : Постановка задачи магистерского
исследования
2.
Тема магистерской работы : «Исследованиеархитектур нейронных сетей для обработки
изображений»
Автор доклада:
Шишлянников И.А., АММ2-23
Руководитель магистерской диссертации:
Перышкова Е.Н к.т.н., доцент
Презентация обсуждена и согласована с научным руководителем
(Подпись руководителя, дата, оценка в 100 – бальной шкале)
3.
Исследование архитектур нейронных сетейдля обработки изображений
Основные понятия предметной области :
Архитектуры нейронных сетей - это структурная организация и
взаимосвязь различных компонентов сети, включая слои, узлы,
активационные функции и параметры.
Deep learning architecture - это иерархическая структура искусственной
нейронной сети, состоящая из нескольких скрытых слоёв между
входным и выходным слоями.
Автоматическое обучение - процесс, в котором компьютеры обучаются
выполнять задачи без явного программирования. Они используют
алгоритмы для поиска закономерностей в данных и построения
моделей, которые могут делать прогнозы или принимать решения.
Гиперпараметр - это параметр модели машинного обучения, который
управляет процессом обучения, а не непосредственно влияет на
предсказания модели.
Искусственный интеллект (ИИ) - это область компьютерных наук,
занимающаяся разработкой компьютерных систем, способных
выполнять задачи, которые обычно требуют человеческого интеллекта.
4.
Выводы по аналитическому обзоруВыводы об актуальности направления:
Исследование архитектур нейронных сетей имеет решающее значение
для дальнейшего развития технологий обработки изображений. По
мере совершенствования архитектур нейронных сетей и достижения
ими еще большей точности, эффективности и универсальности они
будут продолжать играть важную роль в трансформации различных
отраслей.
Основные авторитеты : TensorFlow Object Detection API, Keras, Google
Cloud Vision.
Основные «результаты/достижения, их краткая характеристика»:
распознавание и отслеживание объектов, генерация изображений,
обнаружение объектов, интерпретация изображений
Выводы о проработанности проблемы и перспективах развития
относительно ситуации в стране и в мире : Проблема очень хорошо
проработанна, существует множество программных решений для
архитектур нейронных сетей для обработки изображений.
5.
Фрагмент и характеристика спискаиспользуемой литературы
Географии : США, Германия, франция, Великобритания, Россия
Времени : Начало 2000-х годов – 2023
Категориям источника: 9 публикаций в журналах, 2 нубликацийне из
журнала, 1 материал из конференций и 3 электронных ресурса.
Значимость журналов: большинство статей относиться к 3 и 2
квартили
Фрагмент списка литературы:
Z. Pala, V. Yamli and I. H. Ünlük, ‘‘Deep Learning researches in Turkey: An
academic approach,” 2017 XIIIth International Conference on Perspective
Technologies and Methods in MEMS Design (MEMSTECH), Lviv, 2017, pp.
120-123
A. Hasan, O. Kalıpsız and S. Akyokusß, ‘‘Predicting nancial market in big
data:
Deep learning,” 2017 International Conference on Computer Science
andEngineering (UBMK), Antalya, 2017, pp. 510-515.
6.
Цели и задачи магистерского исследованияЦель: разработка нейронной сети для обработки
изображений
Задачи магистерского исследования Предполагаемые результаты
1. Классификация изображений
2. Обнаружение объектов
3. Сегментация изображений
1. Улучшение точности и
эффективности классификаторов
изображений.
2. 2. Более точным и надежным
системам обнаружения
объектов, которые имеют
решающее значение для
различных приложений
3. улучшить точность сегментации и
упростить применение
сегментации в различных задачах
7.
Возможные виды теоритическихиследований
Исследование оптимизации архитектур нейронных сетей
для обработки изображений: данное исследование
направлено на исследование различных методов
оптимизации архитектур нейронных сетей, чтобы повысить
их эффективность и скорость обработки изображений.
Исследование адаптивных архитектур нейронных сетей для
обработки изображений: в данном исследовании
исследуются методы создания адаптивных архитектур
нейронных сетей, которые могут изменять свою структуру в
зависимости от конкретной задачи обработки изображений.
Исследование применения глубокого обучения для
построения архитектур нейронных сетей для обработки
изображений: данное исследование фокусируется на
применении методов глубокого обучения для создания
эффективных архитектур нейронных сетей, способных
эффективно обрабатывать изображения.
8.
Возможные виды проектной итехнологической работы
Разработка новой архитектуры нейронной сети для обработки
изображений - этот проект включает в себя создание собственной
модели нейронной сети, которая будет оптимизирована для
конкретных задач обработки изображений, таких как
классификация или сегментация.
Оптимизация архитектур нейронных сетей для повышения
скорости и точности обработки изображений - в данном
исследовании будет исследовано, как можно улучшить
производительность существующих архитектур нейронных сетей
путем внесения оптимизаций в их структуру и параметры.
9.
Заключение (часть 1)Сформулированная постановка задачи магистерского исследования
представляет собой:
Обоснованную цель и задачи исследования, предполагаемые их
результаты
План исследовательской части:вы
План проектной и технической части :
1. Обзор существующих нейронных
сетей для обработки изображений
2. Разработка новых алгоритмов и
программных решений для
архитектуры нейронной сети по
обработке изображений
3. Тестирование и оптимизация
разработанных решений на
практике
1. Создание прототипа программного
продукта для нейронной сети по
обработке изображений
2. Интеграция разработанных
решений в существующей системе.
3. Развитие и доработка
программного продукта на основе
полученной информации.
10.
Заключение (часть 2)Доставерность получаемых результатов будет подтверждена на основании:
• Сравнительного анализа: Сравните новые результаты с результатами,
полученными с помощью традиционных методов визуализации, чтобы
определить эффективность и ограничения обновленных подходов.
• Экспертная оценка: Проконсультируйтесь со специалистами в области
нейросетей, чтобы получить их отзывы и оценку достоверности полученных
результатов.
• Статистический анализ: улучшить качество принятия решений, позволяя
объективно интерпретировать данные и принимать обоснованные выводы на
их основе.
11.
Заключение (часть 3)Предполагается, что МИ будем характеризоваться:
Наличием научной новизны, так как в Космической
промышленность: в этой отрасли изображения могут
использоваться для анализа космических объектов и галактик, но до
недавнего времени не применялись нейронные сети
Практическая значимость разработки:
Улучшение качества обработки изображений в системах
виртуальной и дополненной реальности.
Разработка новых методов для улучшения качества фотографий и
видеороликов в реальном времени.
Создание более эффективных систем автоматической обработки
изображений в производственных и индустриальных целях.
Оптимизация процесса распознавания объектов на изображениях в
системах видеонаблюдения.