Нейронные сети (ИПОВС) / 4 курс - Рычагов М.Н. / Лекции / Lektsiya_6_Intellektualnaya_obrabotka_izobrajeniy_s_pomoschyu_NS_(sokr_variant)
.pdf
Цифровые модели рельефа
|
|
|
|
|
|
© 2019 МИЭТ, Нейронные сети |
31/44 |
|
|
31 |
|
Нейронно-сетевой подход к обработке изображений
© 2019 МИЭТ, Нейронные сети |
32/44 |
|
32 |
Распознавание изображений (1/4)
Распознавание изображений можно рассматривать
как задачу классификации
Вы видите это:
Цифровая камера «видит» это:
© 2019 МИЭТ, Нейронные сети |
33/44 |
|
33 |
Распознавание изображений (2/4)
Компьютерное зрение: обнаружение корабля
Корабли |
Не корабли |
Тестирование: что это?
© 2019 МИЭТ, Нейронные сети |
34/44 |
|
34 |
Распознавание изображений (3/4)
Компьютерное зрение: обнаружение корабля
Элиз (пиксель) 1
Алгоритм
обучения
|
Raw image |
Элиз 2 |
Элиз (пиксель) 2 |
|
|
|
|
|
Элиз 1 |
|
Корабли |
|
|||
|
|
||||
|
|
||||
|
|
|
|||
|
«Не корабли» |
|
|
||
|
|
|
|||
|
|
|
|||
© 2019 МИЭТ, Нейронные сети |
35/44 |
|
35 |
Распознавание изображений (4/4)
Компьютерное зрение: обнаружение корабля
Элиз (пиксель) 1
Алгоритм
обучения
Raw image
Элиз 2
Элиз (пиксель) 2
50 x 50 изображения→ 2500 элизов
(7500, если RGB)
Pixel 1 интенс. (0 ÷255)
Pixel 2 интенс. (0 ÷255)
Корабли 
«Не корабли»
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Элиз 1 |
Pixel 2500Pixel 2500интенсинтенс. (0 ÷255). |
|
|
|
|
|
|
|
|
Квадратичные признаки ( 
): ≈ 3 миллиона признаков
© 2019 МИЭТ, Нейронные сети |
36/44 |
|
36 |
Применение НС для обработки изображений
НС имеет преимущества перед традиционными
математическими методами в трех случаях:
1.Когда рассматриваемая задача в силу конкретных особенностей не поддается адекватной формализации, поскольку содержит элементы неопределенности, не формализуемые традиционными математическими методами.
2.Когда рассматриваемая задача формализуема, но на настоящее время отсутствует аппарат для ее решения.
3.Когда для рассматриваемой, хорошо формализуемой задачи существует соответствующий математический аппарат, но реализация вычислений с его помощью на базе имеющихся вычислительных систем не удовлетворяет требованиям получения решений по времени, размеру, весу, энергопотреблению и др.
Идея: архитектура НС, сохраняющая корреляционные |
Архитектура сверточной НС (Ян Лекун *, 1998) |
зависимости в изображении |
* С 2013 года Ян Лекун возглавляет лабораторию искусственного интеллекта |
|
|
|
Facebook в Нью-Йорке |
© 2019 МИЭТ, Нейронные сети |
37/44 |
|
37 |
Нейросеть как универсальный детектор признаков
|
|
|
|
|
|
© 2019 МИЭТ, Нейронные сети |
38/44 |
|
|
38 |
|
Инструменты программирования
|
|
|
|
|
|
© 2019 МИЭТ, Нейронные сети |
39/44 |
|
|
39 |
|
Квалификационные навыки
-«Adaptive Image Processing Algorithms for Printing», I. Safonov, I. Kurilin,
M.Rychagov, E. Tolstaya. Springer Nature, 304 p. (2018)
-«Document Image Processing for Scanning and Printing», I. Safonov, I. Kurilin,
M.Rychagov, E. Tolstaya. Springer Nature, 305 p. (2019)
© 2019 МИЭТ, Нейронные сети |
40/44 |
|
40 |