|
Muxammad al-xorazmiy nomidagi toshkent axborot texnologiyalari universiteti
|
| bet | 1/4 | | Sana | 28.04.2023 | | Hajmi | 35.42 Kb. | | #54420 |
Bog'liq 3-Mustaqil ish 1. Kompyuter arxitekturasi bu, n0t76yB8yF4SooO87LBvxDtdXPc40ZqAZsQZALeg, I bob. Ekstremal masalalarni elementar usullar bilan yechish ten-azkurs.org, 1 mustaqil ish, Majburiy 12.04.2020, Marketing (M.Qosimova, M.Yusupov va b.), Nazariy mexanika micol va masalalarda 1-qism. Statika. Kenjaev k., jadid maqola, Xakimjonov 042-20 m, 1-topshiriq (1), 1-задание, Kompaniya strategiyasini shakllantiruvchi omillar-www.hozir.org, 1698683195, 3 Laboratoriya ishi|
MUXAMMAD AL-XORAZMIY NOMIDAGI
TOSHKENT AXBOROT TEXNOLOGIYALARI UNIVERSITETI
SAMARQAND FILIALI
KOMPYUTER TIZIMLARI KAFEDRASI
5330500- Kompyuter injiniring (Kompyuter injiniring, AT-servis, Multimedia texnologiyalari) ta'lim yo'nalishi
“Mashinali o’qitishga kirish” fanidan
MUSTAQIL ISH № 3
Mavzu: Tasvirni aniqlash uchun an'anaviy neyron tarmoqlarining cheklovlari.
Bajardi: _______ 4-kurs talabasi Buriyev B.
Qabul qildi: ___________ Kubayev S.T.
Ishni bahosi: ___________ ball
Samarqand – 2023
Mavzi rejasi:
1. Tasvirni aniqlash neyron tarmoq o`rni
2. Neyron tarmoq.
3.Tasvirni qayta ishlash
Ob'ektni aniqlashda chuqur o'rganish texnologiyasi keng qo'llanilgan. Chuqur o'rganish texnologiyasi ob'ektni aniqlashning aniqligini sezilarli darajada yaxshilagan bo'lsa-da, bizda yuqori hisoblash vaqti muammosi ham bor. Siz faqat bir marta qaraysiz (YOLO) - tasvirlardagi ob'ektlarni aniqlash tarmog'i. Ushbu maqolada biz YOLO tarmog'iga asoslangan videolar uchun real vaqt rejimida ob'ektni aniqlash algoritmini taklif qilamiz. Tasvirga oldindan ishlov berish orqali rasm fonining ta'sirini yo'q qilamiz va keyin ob'ekt haqida ma'lumot olish uchun ob'ektni aniqlash uchun Fast YOLO modelini o'rgatamiz. Google Inception Net (GoogLeNet) arxitekturasiga asoslanib, biz YOLO tarmog'ini dastlabki konvolyutsiya operatsiyasini almashtirish uchun kichik konvolyutsiya operatsiyasidan foydalangan holda yaxshilaymiz, bu parametrlar sonini kamaytirishi va ob'ektni aniqlash vaqtini sezilarli darajada qisqartirishi mumkin. Bizning Fast YOLO algoritmimiz videoda real vaqtda ob'ektni aniqlashda qo'llanilishi mumkin.
Kalit so'zlar: Ob'ektni aniqlash GoogleNet, YOLO, Real-time Video
So'nggi yillarda kompyuter ko'rishning jadal rivojlanishi bilan ob'ektni aniqlash (OD) kompyuter ko'rishning muhim qismi sifatida ko'plab sohalarda keng qo'llanila boshlandi. Tasvirni qayta ishlashga asoslangan OD tasvirlardan xususiyatlarni ajratib oladi, so'ngra toifa, joylashuv va yo'nalish kabi ob'ekt ma'lumotlarini oladi va tahlil qiladi. OD video monitoringi, g'ayritabiiy xatti-harakatlar tahlili va mobil robotlar kabi ko'plab real vaqtda vaziyatlarda keng qo'llaniladi. Ushbu yondashuv xususiyatlarni ajratib olish va tahlil qilish orqali juda qimmatli ma'lumotlarni olishi mumkin. Biroq, usul, ayniqsa, yuqori hisoblash va xotira talablari nuqtai nazaridan juda ko'p qiyinchiliklarga duch keladi.
Mashinani o'rganishning an'anaviy usullari tasvirlardan ob'ekt xususiyatlarini ajratib oladi va keyin xususiyatlarni klassifikatorga kiritadi. Xususiyatlarni ajratib olishning an'anaviy usullariga yo'naltirilgan gradientning gistogrammasi (HOG) usuli, masshtabni o'zgarmas xususiyat transformatsiyasi (SIFT) va boshqalar kiradi. Tasniflash usullari qo'llab-quvvatlovchi vektor mashinasi (SVM), Bayesian, qaror daraxtlari va boshqalarni o'z ichiga oladi. Bu usullar asosan oldingi bilimlarga tayan. Ular real vaqt rejimida emas, chunki ular doimiy ravishda namuna olishadi. Bundan tashqari, bu usullarda
nechta xususiyat nuqtalari mavjud va chekka xususiyatlarni ajratib olish ba'zan aniq emas. Ushbu usullarning asosi xususiyatni ajratib olishdir va xususiyatni ajratib olish sifati usulning ishlashiga bevosita ta'sir qiladi. Biroq, amaliy dasturlarda bu usullar asosan kichik ma'lumotlar to'plamidan foydalangan holda aniq ob'ektlarni tanib olishga qaratilgan va umumlashtirish qobiliyati past.
Mashinani o'rganish usullari doimiy ravishda optimallashtirilayotgan bo'lsa-da, past darajadagi xususiyatlarni olishdan tortib, tasvirlarning paydo bo'lishigacha, eng muvaffaqiyatli usul - deformatsiyalanadigan qismlar modeli (DPM). Biroq, bu usul sekin aniqlashga ega va namunalarning geometrik xususiyatlariga bog'liq. Hozirgi vaqtda an'anaviy mashinani o'rganish usullari OD texnologiyasida ma'lumotlarni qayta ishlashning samaradorligi, ishlashi, tezligi va razvedka talablariga javob bera olmaydi.
Chuqur o'rganish texnologiyasining paydo bo'lishi bilan kompyuterni ko'rish sohasi tez rivojlandi. Tasvirni aniqlash uchun chuqur o'rganish texnologiyasi qo'llanildi va u so'nggi yillarda ob'ektni tanib olishda katta yutuqlarga erishdi. Chuqur o'rganish texnologiyasi inson miyasining kognitiv qobiliyatini o'rganish va taqlid qilish orqali xususiyatlarni qayta ishlashi va tahlil qilishi mumkin, bu ODda katta ta'sir ko'rsatadi. An'anaviy xususiyatlarni ajratib olish usullaridan farqli o'laroq, chuqur konvolyutsion neyron tarmoqlar ko'p qatlamli konvolyutsiya operatsiyalari yordamida xususiyatlarni ajratib olish orqali yuqori aniqlik darajasiga erishishi mumkin. Bundan tashqari, ular geometrik o'zgarishlar, deformatsiyalar va yorug'lik nuqtai nazaridan mustahkamdir va atrof-muhit o'zgarishlari tufayli yuzaga keladigan qiyinchiliklarni engib o'tishlari mumkin. Chuqur o'rganish usullari o'quv ma'lumotlaridan foydalangan holda xususiyat tavsifini moslashtirishi mumkin va ular juda moslashuvchan va yuqori umumlashtirish qobiliyatiga ega. Chuqur o'rganish usullari orasida mintaqaviy konvolyutsion neyron tarmog'i (RCNN), tezroq mintaqaviy konvolyutsion neyron tarmog'i (Faster RCNN), Siz faqat bir marta ko'ring (YOLO) va bir martalik multibox detektori (SSD) ODda eng ko'p qo'llaniladigan usullardir. Biroq, chuqur o'rganishga asoslangan joriy OD usullari sekin aniqlash tezligi va yuqori vaqt sarfi tufayli hali ham muammolarga duch kelmoqda. Ushbu maqolada biz real vaqtda video OD usulini taklif qilamiz. Biz OD nazariyasi uchun Fast YOLO algoritmini mavhum tarzda tanishtiramiz va keyin Fast YOLO asosini, shu jumladan oldindan ishlov berish jarayoni, modelni o'rgatish va yo'qotish funksiyasini batafsil tanishtiramiz. Keyinchalik, Fast YOLO algoritmining ishlashini ba'zi tajribalar orqali tekshiramiz.
|
| |
