Нейросетевое детектирование объектов в условиях ограниченного времени

В работе представлена архитектура системы быстрого и качественного детектирования и классификации объектов на изображениях, обучавшаяся в условиях нехватки тренировочных данных. С использованием модифицированных моделей MultiBox и Fast R-CNN итоговая скорость работы системы в несколько раз превысила имеющиеся на тот момент аналоги, а использование обученных классификационных сетей для инициализации моделей, модифицированная функция ошибки в MultiBox и дополнительные методы искажения изображений позволили успешно обучаться на небольшом количестве данных и повысить общую точность работы системы. Нам удалось добиться средней точности (Precision) в 81% и полноты (Recall) в 85.5%. На обработку одного изображения при этом затрачивается порядка 310 миллисекунд. Помимо этого разработано ПО для применения системы детектирования в мобильных приложениях.

Общественные науки в целом
Дипломы

Вуз: Санкт-Петербургский государственный университет (СПбГУ)

ID: 587d36345f1be77c40d5894f
UUID: 79068776-4729-475f-83bc-d7e5f6540afd
Язык: Русский
Опубликовано: больше 4 лет назад
Просмотры: 211

Кулинкин Антон Борисович

Источник: Санкт-Петербургский государственный университет


0

Комментировать 0

Рецензировать 0

Скачать - 3178358 bytes


Поделиться работой
Current View

Рецензии:

  Авторизуйтесь, чтобы добавить рецензию

- у работы пока нет рецензий -

Для лиц старше 18 лет