Застосування згорткових нейронних мереж для задач класифікації фруктів на зображенні

И. В. Гущин
А. Е. Споров
А. С. Тапузов

Ключові слова: комп’ютерний зір, машинне навчання, згорткові нейронні мережі, задача класифікації

Анотація

У статті запропоновано спосіб вирішення спеціалізованого завдання розпізнавання образів - завдання класифікації фруктів на зображеннях з використанням багатошарової згорткової нейронної мережі (CNN). Розглянуто загальні відомості про механізм роботи CNN. Наводиться опис обраної для вирішення поставленого завдання нейронної мережі ResNet. Описано спосіб створення програмної системи на мові Python, здатної виконувати завдання класифікації по 30 класам зображень з фруктами і дозволяє виконувати завдання подальшого маркування зображень, що містять кілька об'єктів. Наводяться висновки про можливість застосування нейромережі ResNet для класифікації шуканого набору даних, показані метрики точності обраної архітектури.

Завантаження

##plugins.generic.usageStats.noStats##

Посилання

ImageNet Large Scale Visual Recognition Competition [Электронный ресурс]. ¬- Режим доступа: http://image-net.org/challenges/LSVRC/

ImageNet [Электронный ресурс]. - Режим доступа: http://www.image-net.org/

Yann LeCunn, Leon Bottou, Yoshua Bengio, Patrick Haffner. Gradient-Based Learning Applied to Document Recognition [Электронный ресурс]. – Режим доступа: http://yann.lecun.com/exdb/publis/pdf/lecun-01a.pdf

Clarifai: What is visual recognition? [Электронный ресурс]. – Режим доступа: https://www.clarifai.com/technology

Wikipedia: Kernel (image processing) [Электронный ресурс]. – Режим доступа: https://en.wikipedia.org/wiki/Kernel_(image_processing)

The data science blog. An Intuitive Explanation of Convolutional Neural Networks [Электронный ресурс]. – Режим доступа: https://ujjwalkarn.me/2016/08/11/intuitive-explanation-convnets/

Learn OpenCV. Understanding Activation Functions in Deep Learning [Электронный ресурс]. – Режим доступа: https://www.learnopencv.com/understanding-activation-functions-in-deep-learning/

CS231n Convolutional Neural Networks for Visual Recognition [Электронный ресурс]. – Режим доступа: http://cs231n.github.io/convolutional-networks/

Kaiming He, Xiangyu Zhag, Shaoqing Ren, Jian Sun. Deep Residual Learning for Image Recognition [Электронный ресурс]. – Режим доступа: https://arxiv.org/abs/1512.03385

Sergey Ioffe, Christian Szegedy. Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariant Shift [Электронный ресурс]. – Режим доступа: https://arxiv.org/abs/1502.03167

Reddit MachineLearning: How does DenseNet compare to ResNet and Inception? [Электронный ресурс]. – Режим доступа: https://www.reddit.com/r/MachineLearning/comments/67fds7/d_how_does_densenet_compare_to_resnet_and/

VICOS. Fruit Image Data set [Электронный ресурс]. – Режим доступа: http://www.vicos.si/Downloads/FIDS30

The CIFAR-10 dataset [Электронный ресурс]. – Режим доступа: https://www.cs.toronto.edu/~kriz/cifar.html

Keras: The Python Deep Learning Library [Электронный ресурс]. – Режим доступа: https://keras.io/

TensorFlow: An open-source software library for Machine Intelligence [Электронный ресурс]. – Режим доступа: https://www.tensorflow.org/

Anaconda: Python Data Science Platform [Электронный ресурс]. – Режим доступа: https://www.anaconda.com/download/

UFLDL Tutorial. Optimization: Stochastic Gradient Descent [Электронный ресурс]. – Режим доступа: http://ufldl.stanford.edu/tutorial/supervised/OptimizationStochasticGradientDescent/

Dr. Kevin Koidl. Loss Functions in Classification Tasks [Электронный ресурс]. – Режим доступа: https://www.scss.tcd.ie/Kevin.Koidl/cs4062/Loss-Functions.pdf

CS231n CNN for Visual Recognition. Linear Classification. [Електроннийресурс]. – Режим доступу: http://cs231n.github.io/linear-classify/