913-21 guruh talabasi
Yusupov Boburbekning
5-Amaliyot ishi
Mavzu:CNN asosida tasvirlarni sinflashtirish masalasini yechish.
Tasvir tasnifi ma'lumotlar to'plamidagi ba'zi naqshlarni
kuzatish tasvirdan
xususiyatlarni ajratib olishni o'z ichiga oladi. Tasvirlarni tasniflash uchun ANNdan
foydalanish hisoblash nuqtai nazaridan juda qimmatga tushadi, chunki o'rgatish
mumkin bo'lgan parametrlar juda katta bo'ladi.
CNN-lardan foydalanganda filtrlardan foydalaniladi. Filtrlar maqsadiga ko'ra
juda ko'p turlari mavjud.
1-rasm. Turli filtrlar va ularning effektlariga misollar.
Konvolyutsiya, asosan, uchinchi funktsiyani hosil qilish uchun ikkita
funktsiyani nuqtaga ko'paytirishni anglatadi. Bu erda bir funktsiya
tasvir piksellar
matritsasi, ikkinchisi esa filtrdir. Filtr tasvir ustiga suriladi va ikkita matritsaning
qiymati olinadi. Olingan matritsa "Faollashtirish xaritasi" yoki "Xususiyatlar
xaritasi" deb ataladi.
2-rasm.Tasvirdan xususiyatlarni chiqaradigan bir nechta konvolyutsion
qatlamlar va nihoyat chiqish qatlami mavjud.
Tasvirlarni tasniflash kirish tasvirlariga teglar yoki sinflarni belgilashni o'z
ichiga oladi. Bu nazorat ostidagi o'quv vazifasi bo'lib, unda model ko'rinmas
tasvirlar sinfini bashorat qilish uchun yorliqli tasvir ma'lumotlariga o'rgatiladi. CNN
odatda tasvirlarni tasniflash uchun ishlatiladi,
chunki ular qirralar, teksturalar va
shakllar kabi ierarxik xususiyatlarni o'rganishi mumkin, bu tasvirlarda ob'ektni aniq
tanib olish imkonini beradi. CNNlar bu vazifada ustunlik qiladi,
chunki ular
avtomatik ravishda tasvirlardan mazmunli fazoviy xususiyatlarni ajratib olishlari
mumkin. Bu jarayonda turli qatlamlar ishtirok etadi:
Input (Kirish qatlami). CNN ning kirish qatlami xom tasvir ma'lumotlarini
kirish sifatida qabul qiladi. Rasmlar odatda piksel qiymatlarining matritsalari
sifatida taqdim etiladi. Kirish qatlamining o'lchamlari
kirish tasvirlarining
o'lchamiga (masalan, balandlik, kenglik va rangli kanallar) mos keladi.
Convolutions.
(
Konvolyutsion
qatlamlar).
Konvolyutsion
qatlamlar
xususiyatlarni ajratib olish uchun javobgardir. Ular tegishli naqsh va xususiyatlarni
olish uchun kirish tasvirlari bilan birlashtirilgan filtrlardan (yadro sifatida ham
tanilgan) iborat. Ushbu qatlamlar qirralar, to'qimalar,
shakllar va boshqa muhim
vizual elementlarni aniqlashni o'rganadi.
Subsampling
(Birlashtiruvchi
qatlamlar).
Birlashtiruvchi
qatlamlar
konvolyutsion qatlamlar tomonidan yaratilgan xususiyat xaritalarining fazoviy
o'lchamlarini kamaytiradi. Ular keraksiz ma'lumotlarni tashlab, eng muhim
ma'lumotlarni saqlab qolish uchun namuna olish operatsiyalarini (masalan,
maksimal birlashma) amalga oshiradilar. Bu tarjimaning o'zgarmasligiga erishish va
hisoblash murakkabligini kamaytirishga yordam beradi.
Fully connected (To'liq bog'langan qatlamlar). Oxirgi birlashtiruvchi
qatlamning chiqishi tekislanadi va bir yoki bir nechta to'liq bog'langan qatlamlarga
ulanadi. Ushbu qatlamlar an'anaviy neyron tarmoq qatlamlari sifatida ishlaydi va
olingan xususiyatlarni tasniflaydi. To'liq bog'langan
qatlamlar xususiyatlar va
chiqish sinfi ehtimolliklari yoki bashoratlari o'rtasidagi murakkab munosabatlarni
o'rganadi.
Output (Chiqish qatlami). Chiqish qatlami CNN ning oxirgi qatlamini
ifodalaydi. U tasniflash vazifasidagi alohida sinflar soniga teng neyronlardan iborat.
Chiqish qatlami har bir sinfning tasniflash ehtimoli yoki bashoratini taqdim etadi,
bu kirish tasvirining ma'lum bir sinfga tegishli bo'lish ehtimolini ko'rsatadi.
3-rasm.CNN (Konvulyatsion neyron to’rlari) tasvirning xususiyatlarini
ajratib olish qatlamlari.
