Разработка веб-приложения для масштабирования растровых изображений с использованием нейронных сетей - Дипломная работа

Пермский филиал федерального государственного автономного образовательного учреждения высшего образования Факультет экономики, менеджмента и бизнес-информатики Разработка веб-приложения для масштабирования растровых изображений с использованием нейронных сетей Выпускная квалификационная работа по направлению подготовки 38.03.05 Бизнес-информатика образовательная программа "Бизнес-информатика"Это означает, что при сохранении изображения было зафиксировано ограниченное количество точек, причем при увеличении этого количества прямо пропорционально увеличивается и размер занимаемого файлом места на диске, что иногда является довольно существенным нюансом. Именно главная особенность формата вступает в противоречие с потребностью в масштабировании изображения без потери качества, если под масштабированием подразумевается увеличение размеров оригинального изображения, поэтому вопрос увеличения качества полученного результата является довольно актуальным для таких организаций, как, например, различного рода студии, занимающиеся разработкой цифрового контента; различные социальные медиа, вроде новостных сайтов; и т.д. В качестве уточнений можно пояснить, что существующие алгоритмы масштабирования не позволяют достаточно точно предугадать цвет пикселей, добавленных в процессе масштабирования, а иногда некоторые графические детали исчезают или становятся менее заметными (контрастными) при увеличении, изза чего страдает общее восприятие изображения, которое, возможно, смотрелось даже лучше в оригинальном (до увеличения) размере. В работе "A Neural-Network-Based Image Resolution Enhancement Scheme for Image Resizing" [1] приводится способ применения структуры нейронной сети для решения задачи масштабирования изображения, но данная работа была проведена в 2003 году, в то время как появились и были оптимизированы новые виды методов машинного обучения, что обуславливает актуальность проблемы. Это обусловлено тем, что в 2012 году выяснилось, что в одной из классических задач компьютерного зрения - задаче классификации изображений, - сверточная нейронная сеть справилась гораздо лучше, чем все другие методы, которые были разработаны за последние несколько лет.В рамках данной главы будет проанализирована предметная область машинного обучения, описаны основные принципы работы сверточных нейронных сетей и проделано сравнение основных современных топологий сверточных нейронных сетей, а также приведены различные подходы работы с изображениями с помощью нейронных сетей. Таким подходом стала топология "Сеть внутри сети" (Network in Network, NIN) [15], которая позволила использовать сверточные слои с фильтрами размером 1?1 для увеличения комбинаций возможных значений на картах свойств. Идею "Сети внутри сети" в дальнейшем развила компания Google, создав две похожи топологии GOOGLELENET и Inception [16], представленной на Рисунке 1.5 Мотивом к созданию данного рода топологий послужило желание оптимизировать процесс обучения, уменьшив накладные расходы в виде процессорных мощностей и расхода памяти, при этом увеличив качество результата. На вход сверточной нейронной сети, если задача заключается в работе с изображениями, подается вектор, где каждый пиксель представлен определенным количеством измерений, в зависимости от цветового пространства, в котором представлено изображение. Так же данный метод основывается не только на эффективности сверточных слоев в работе с изображениями, но и использует в качестве активационной функции RELU, так как данная функция повышает скорость обработки изображения (для разных задач), при этом сохраняя приемлемое качество результата, при этом предохраняя от пагубных эффектов переобучения при изобилии примеров в обучающей выборке, как например в задачах в рамках конкурса IMAGENET, с которого и начался второй виток популярности данной нейросетевой структуры.В рамках данной работы для масштабирования изображений была применена модификация трехслойной сверточной нейронной сети SRCNN, основанная, в отличие от оригинала, на топологии VGG. Выбор указанной топологии позволил превзойти оригинальную модель, повысив качество увеличенных изображений за счет увеличения количества слоев. Результирующие изображения сохраняют четкость мелких деталей, в то время как существующий альтернативный метод бикубической интерполяции размывает изображение. Предложенная в работе нейронная сеть обрабатывает параллельно блоки изображений, распределяя нагрузку по возможности равномерно между вычислительными ядрами процессора, а очереди сообщений позволяют распределять работу по масштабированию изображений между компьютерами.

Оглавление

Аннотация

Введение

Глава 1. Анализ предметной области и методов машинного обучения

Описание понятия машинного обучения

Структура нейронных сетей и их особенности

Сверточные нейронные сети для задач распознавания изображений

Структура и алгоритм работы сверточной нейронной сети

Описание и анализ топологий сверточных нейронных сетей

Сравнения цветовых пространств RGB и YCBCR

Проектирование архитектуры нейронной сети

Постановка задачи Super-Resolution

Описание модели SRCNN

Алгоритм процесса обработки изображения моделью SRCNN

Модификация оригинальной модели SRCNN

Разработка и тестирование приложения

Описание использованных технологий

Описание архитектуры веб-приложения

Тестирование качества работы приложения

Анализ качества результатов

Тестирование производительности приложений

Анализ производительности приложений

Заключение

Библиографический список

Приложение А. Листинг кода

Приложение B. Диаграмма последовательностей загрузки изображения для масштабирования

Приложение С. Диаграмма классов модуля масштабирования

Приложение D. Техническое задание

ЛИСТ УТВЕРЖДЕНИЯ

Abstract