Решение задачи классификации с применением глубоких нейронных сетей
Аннотация
Пояснительная записка 69 стр., 21 рис., 26 ист., 4 прил.
КЛАССИФИКАЦИЯ ИЗОБРАЖЕНИЙ, КАТЕГОРИЗАЦИЯ ИЗОБРАЖЕНИЙ, ПРЕДСКАЗАНИЕ, НЕЙРОННЫЕ СЕТИ, ГЛУБОКОЕ ОБУЧЕНИЕ.
Объектом разработки является модель классификации изображений с последующей возможностью предсказания поданного на вход изображения.
Цель работы – Изучить тему нейронных сетей, тему глубокого обучения, смоделировать собственную архитектуру для классификации изображений, найти способы качественно улучшить процесс обучения и наиболее эффективно обучить собранную модель.
Разрабатываемая модель классификации изображений предназначена для создания возможности предугадывания отношения изображения к определённому классу. Это достигается благодаря применению технологий глубокого обучения, а именно конволюционных (свёрточных) нейронных сетей, с применением настраиваемого обратного вызова, который содержит определённый набор особенностей, существенно повышающих качество обучения, с помощью которых осуществляется обучение модели с собственной архитектурой и последующая вероятностная классификация для каждого отдельно взятого изображения, а функция предсказания по результатам обучения модели нейронной сети определяет принадлежность изображения к конкретному классу.
КЛАССИФИКАЦИЯ ИЗОБРАЖЕНИЙ, КАТЕГОРИЗАЦИЯ ИЗОБРАЖЕНИЙ, ПРЕДСКАЗАНИЕ, НЕЙРОННЫЕ СЕТИ, ГЛУБОКОЕ ОБУЧЕНИЕ.
Объектом разработки является модель классификации изображений с последующей возможностью предсказания поданного на вход изображения.
Цель работы – Изучить тему нейронных сетей, тему глубокого обучения, смоделировать собственную архитектуру для классификации изображений, найти способы качественно улучшить процесс обучения и наиболее эффективно обучить собранную модель.
Разрабатываемая модель классификации изображений предназначена для создания возможности предугадывания отношения изображения к определённому классу. Это достигается благодаря применению технологий глубокого обучения, а именно конволюционных (свёрточных) нейронных сетей, с применением настраиваемого обратного вызова, который содержит определённый набор особенностей, существенно повышающих качество обучения, с помощью которых осуществляется обучение модели с собственной архитектурой и последующая вероятностная классификация для каждого отдельно взятого изображения, а функция предсказания по результатам обучения модели нейронной сети определяет принадлежность изображения к конкретному классу.