Исследование архитектур нейронных сетей для обработки изображений

1.

Кафедра Вычислительной
техники НГТУ 2024
Доклад на тему : Постановка задачи магистерского
исследования

2.

Тема магистерской работы : «Исследование
архитектур 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 сетей
для 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 обзору
Выводы 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 списка
используемой 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 исследования
Цель: 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 теоритических
иследований
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 и
технологической 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.