Исследование и применение методов распознавания образов для классификации изображений

1. Исследование и применение методов распознавания образов для классификации изображений.

2. Актуальность и цель

Распознавание образов —
ключевая задача компьютерного
зрения.
Применение: медицина,
беспилотный транспорт,
безопасность.
Цель: исследование методов и
разработка прототипа
классификатора.

3. Задачи работы

Экспериментал
ьная оценка.
Обзор методов
(k-NN, Naive
Bayes, PCA,
HOG, CNN).
Реализация
на основе
CNN.
Выбор
подходов для
сравнения.
Проектирова
ние
прототипа.

4. Классические методы

• k-NN: метрический метод,
голосование соседей.
• Naive Bayes: вероятностный
подход, предположение о
независимости признаков.
• PCA: снижение размерности,
поиск главных компонент.
• HOG: гистограммы
ориентированных градиентов +
SVM.

5. Сверточные нейронные сети

• Автоматическое извлечение
признаков.
• Иерархия: границы → части →
объекты.
• Ключевые слои: свертка,
пулинг, полносвязный.
• Преимущество: не требуется
ручное проектирование
признаков.

6. Выбранные подходы

Подход
Характеристика
HOG+SVM
Классический, эффективен для структурированных
данных (рассмотрен как базовый ориентир,
реализация — в перспективе)
CNN (ResNet18)
Современный, высокая точность, трансферное
обучение

7. Архитектура прототипа

Python + PyTorch +
Streamlit.
Модель:
ResNet18 (предобучена на
ImageNet).
Этапы:
загрузка → преобразование
→ forward pass → softmax
→ вывод.

8. Реализация (блоксхема)

9. Примеры работы

Название
изображения
Собака
(золотистый
ретривер)
изображение
Предсказанный класс
"golden
retriever"
(золотистый
ретривер)
уверенность
корректн
ость
0.81
✓
Автомобиль
(седан)
"sports car"
(спортивная
машина)
0.68
✓
Самолёт
(пассажирский)
"airliner"
(авиалайнер)
0.72
✓
Рояль
"piano"
(пианино)
0.63
⮾

10. Результаты тестирования

ТЕСТОВЫЙ НАБОР: 10
ИЗОБРАЖЕНИЙ.
ТОЧНОСТЬ: 90% (9 ИЗ 10
КОРРЕКТНЫХ).
СРЕДНЕЕ ВРЕМЯ ИНФЕРЕНСА:
0.39 С (CPU).
ОШИБКИ: БЛИЗКИЙ КЛАСС
(РОЯЛЬ И ПИАНИНО),
НЕРАЗЛИЧИМЫЙ ДЛЯ САМОЙ
МОДЕЛИ.

11. Выводы

• Методы распознавания образов
эволюционировали от ручных
признаков к автоматическому
обучению.
Выводы
• Разработан работающий
прототип классификатора на
основе ResNet18.
• Прототип показал точность 90%
на тестовой выборке.
• Перспектива: добавление
HOG+SVM для сравнения и finetuning под конкретные задачи.

12. Спасибо за внимание!