Рассмотрение нейросетевых модификаций решения задач анализа изображений. Ознакомление со способами обучения нейронной сети для определения параметров прямой. Формирование виртуальной модели стенда. Характеристика процесса модификации детектора прямой.
При низкой оригинальности работы "Применение виртуальных моделей объектов для обучения нейросетей", Вы можете повысить уникальность этой работы до 80-100%
Применение виртуальных моделей объектов для обучения нейросетей В работе рассматриваются нейросетевые модификации решения задач анализа изображений. Показано, что успешное решение задачи в нейросетевом базисе можно обеспечить за счет применения искусственных примеров.Поиск прямых на изображениях с помощью преобразования Радона позволяет извлечь из любой прямоугольной растровой матрицы координаты прямых наибольшей длины и плотности, как на рис.1а. Однако поиск точных координат прямой в условиях зашумленного образца и ширины линии, отличной от одного пикселя, сталкивается с ограниченным разрешением матрицы аккумулятора модели Радона. Каждый пример содержит не более 1000 точек, принадлежащих прямой с параметрами с ошибкой не более 2 пикселей. Скрытый слой содержит 7 нейронов и обеспечивает ошибку распознавания на уровне 3% по параметру и около 1% от размера области коррекции (Табл.1), т.е. максимальная ошибка определения угла составляет менее 0,5?, а определение сдвига прямой по не более 0,5 пикселя. Исходная средняя ошибка определения параметра составляла 0,8 пикселя, а средняя угловая ошибка достигала 0,25° (максимальная ошибка определения угла составляла 0,55?, а определение сдвига прямой по не более 3 пикселя на выборке 1500 примеров.).Анализ представленных задач показал, что обучение в виртуальных средах обеспечивает не только экономию ресурсов, необходимых для проведения натурных экспериментов, но и позволяет получить приемлемые уровни ошибок обобщения. Разработана технология формирования виртуальных моделей для решения задач анализа трехмерной сцены по ее двухмерному изображению.
Вы можете ЗАГРУЗИТЬ и ПОВЫСИТЬ уникальность своей работы
