Изучение алгоритмов машинного обучения, направленных на выявление закономерностей в графических данных. Применение сверточных нейронных сетей при работе со спутниковыми изображениями. Создание интерактивной карты для визуализации распознанных объектов.
Аннотация к работе
Федеральное государственное автономное образовательное учреждение высшего образования Выпускная квалификационная работа на тему «Программа классификации объектов на спутниковых снимках с помощью глубокого обучения» по направлению подготовки 09.03.04 «Программная инженерия» Бывает как обучение с учителем, так и обучение без учителя. В данной работе под глубоким обучением мы будем понимать глубокое обучение с учителем, где в качестве учителя будут выступать спутниковые снимки с разметками объектов для нахождения. Сверточные нейронные сети - специальные нейронные сети, применяемые при работе с изображениями.В рамках выпускной квалификационной работы мной разрабатывается веб-приложение для классификации объектов на спутниковых снимках при помощи глубокого обучения. Существует большое количество вариаций нейронных сетей, способных с высокой точностью определять объекты на спутниковых снимках. Поэтому практической ценностью данной работы является создание удобного в использовании сервиса, доступного для любого аналитика, который, не требуя широкого познания в машинном обучении, предоставит полный функционал и возможности готовых, пред-обученных нейронных сетей. Построить модель, способную распознавать объекты (дома, дороги, реки и т.д.) на изображениях;В данной главе приводится более подробный обзор предметной области, после этого проводится анализ существующих решений и обосновывается необходимость разработки собственного приложения.Основная предметная область моей выпускной квалификационной работы - это машинное обучение, в частности, распознавание объектов на спутниковых снимках.Машинное обучение - обширный подраздел искусственного интеллекта, изучающий методы построения алгоритмов, способных обучаться.Задачи данного подраздела машинного обучения заключаются в том, чтобы найти на изображениях интересующие нас признаки: от распознавания эмоций на человеческом лице до построения маршрута для автономного такси. Несмотря на то, что в прикладных задачах, связанных с высоким риском (пример с такси), ИИ нужно серьезно тестировать перед внедрением, многие другие отрасли уже сейчас повышают свою эффективность за счет использования алгоритмов машинного обучения. Отраслью, в которой машинное обучение может существенно упростить людям ручной труд, является анализ спутниковых снимков.После приведенного в пункте 1.1.3 примера может возникнуть закономерный вопрос - почему все повсеместно не внедряют похожие алгоритмы, ведь это значительно повышает эффективность бизнеса.К плюсам заказа решения у сторонней компании можно отнести - компетентность специалистов, высокое качество решения, поддержка решения и обратную связь. Каждый проект уникален, под новую проблему придется заказывать новый продукт или доработку к старому. Так как анализ спутниковых изображений - не стандартная регрессия, и компаний, имеющих в данной области компетенцию, не так много, чек будет большим.Учитывая минусы конкурентов из пункта 1.2.1, нам необходимо выбрать соответствующее ядро нашего веб-приложения, на основе чего мы потенциально сможем привлечь наших первых клиентов. Нейронная сеть должна быть быстрой, легко обучаться и иметь достаточно высокий процент правильных ответов при низкой нагрузке на процессоры и видеокарты - для масштабируемости приложения. При анализе существующих решений была выбрана сеть под названием U-net, которая изначально была создана для анализа биологических изображений, но в дальнейшем хорошо показала себя и для сегментации изображений на спутниковых снимках. В ее особенности входит обучение на маленькой выборке (около 30 изображений достаточно для достижений хороших результатов), быстрая скорость работы, относительно простая архитектура, которая открыта к улучшению при добавлении новых слоев, что приводит к небольшим затратам по железу. В рамках выпускной квалификационной работы необходимо разработать: · Нейронную сеть для распознавания объектов на спутниковых снимках.В данной главе описываются методы решения поставленных задач.На основании пункта 1.2.2. данной работы мы выбрали тип нейронной сети U-net Следует учесть ее особенности при построении сервиса: · Первая особенность заключается в том, что на вход нейронная сеть получает исходное изображение в 3-х спектрах (rgb), поэтому при добавлении новых спектров необходимо расширить нейронную сеть; · Так же нужно учитывать вторую особенность нейронной сети, а именно - исходное изображение по частям делится на квадраты площадью равной половине площади исходного изображения. Это значит, что если в сети три слоя разделения изображения, разрешение исходного изображения должно три раза делится на цело на 2.
План
Содержание
Введение
Глава 1. Обзор предметной области и существующих решений
1.1 Обзор предметной области
1.1.1 Машинное обучение
1.1.2 Распознавание объектов на изображении
1.1.3 Анализ спутниковых снимков
1.2 Анализ существующих решений
1.2.1 Анализ конкурентов - аутсорсинговых компаний
1.2.2 Анализ ядра программы - нейронной сети, u-net
1.2.3 Обоснование необходимости разработки собственного приложения
1.3 Постановка задачи на разработку
Выводы по 1 главе
Глава 2. Описание методов, моделей, алгоритмов решения задач
2.1 Ядро решения, нейронные сети
2.1.1 Особенности U-net
2.1.2 Предобработка данных
2.1.3 Обучение моделей
2.1.4 Пример использования нейронных сетей для решения комбинированной задачи пользователя
Выводы по 1 главе
Глава 3. Выбор средств реализации программного продукта, проект/прототип.17