Казань, 2017
Казанский (Приволжский) Федеральный Университет
- Главная
- Разное
- Дизайн
- Бизнес и предпринимательство
- Аналитика
- Образование
- Развлечения
- Красота и здоровье
- Финансы
- Государство
- Путешествия
- Спорт
- Недвижимость
- Армия
- Графика
- Культурология
- Еда и кулинария
- Лингвистика
- Английский язык
- Астрономия
- Алгебра
- Биология
- География
- Детские презентации
- Информатика
- История
- Литература
- Маркетинг
- Математика
- Медицина
- Менеджмент
- Музыка
- МХК
- Немецкий язык
- ОБЖ
- Обществознание
- Окружающий мир
- Педагогика
- Русский язык
- Технология
- Физика
- Философия
- Химия
- Шаблоны, картинки для презентаций
- Экология
- Экономика
- Юриспруденция
Построение эффективных численных методов для задач обнаружения пешеходов по цифровому изображению презентация
Содержание
- 1. Построение эффективных численных методов для задач обнаружения пешеходов по цифровому изображению
- 2. Постановка задачи Реализовать и сравнить различные методы
- 3. Задача обнаружения пешеходов Эта задача заключается в
- 4. Используемая методология Выбор функции вычисления векторов характеристик.
- 5. Пусть u∈U — классифицируемый объект из множества
- 6. Модель классификации
- 7. Модель классификации
- 8. SSM
- 9. Эксперименты В ходе экспериментов использованный метод SSM
- 10. Эксперименты Зависимость изменения ошибки от номера итерации для различных методов (проективный, условного градиента, SSM).
- 11. Эксперименты Так же была оценена точность обученного
- 12. Итоги Реализованы основные компоненты метода обнаружения пешеходов
- 13. Спасибо за внимание!
Постановка задачи Реализовать и сравнить различные методы оптимизации для задачи обнаружения пешеходов по цифровому изображению. Построить эффективный численный метод для обучения классификатора цифровых изображений с высокой размерностью векторов признаков.
Слайд 1Построение эффективных численных методов для задач
обнаружения пешеходов по цифровому изображению
Гатауллин Р.Р.,
Коннов И.В., Разинков Е.В.
Казань, 2017
Казань, 2017
Слайд 2Постановка задачи
Реализовать и сравнить различные методы оптимизации для задачи обнаружения пешеходов
по цифровому изображению.
Построить эффективный численный метод для обучения классификатора цифровых изображений с высокой размерностью векторов признаков.
Построить эффективный численный метод для обучения классификатора цифровых изображений с высокой размерностью векторов признаков.
Слайд 3Задача обнаружения пешеходов
Эта задача заключается в определении присутствия пешехода на входном
изображении и нахождении его местоположения.
Имеется база изображений, для каждой из которых поставлены в соответствие координаты пешеходов.
Имеется база изображений, для каждой из которых поставлены в соответствие координаты пешеходов.
Слайд 4Используемая методология
Выбор функции вычисления векторов характеристик.
Формирование обучающей выборки.
Обучение классификатора (решение
оптимизационной задачи, которая является предметом исследования).
Выделение участков изображения с помощью техники скользящего окна.
Обнаружение пешеходов в каждом из выделенных участков с помощью обученного классификатора.
Выделение участков изображения с помощью техники скользящего окна.
Обнаружение пешеходов в каждом из выделенных участков с помощью обученного классификатора.
Слайд 5Пусть u∈U — классифицируемый объект из множества цифровых изображений размера 128x64
пикселей, тогда
x = (x1,…,xn) = μ(u) — n-мерный вектор характеристик этого объекта.
В качестве функции μ был выбран дескриптор HOG.
Размерность векторов характеристик составила n=???.
В качестве функции μ был выбран дескриптор HOG.
Размерность векторов характеристик составила n=???.
Вектора характеристик
Слайд 9Эксперименты
В ходе экспериментов использованный метод SSM сравнивался с проективным и методом
условного градиента.
Оценка эффективности велась по количеству итераций до завершения алгоритма и количеству вычислений производной.
Оценка эффективности велась по количеству итераций до завершения алгоритма и количеству вычислений производной.
Слайд 10Эксперименты
Зависимость изменения ошибки от номера итерации для различных методов (проективный, условного
градиента, SSM).
Слайд 11Эксперименты
Так же была оценена точность обученного классификатора по мере F-score и
была равной 91%.
F-score =
Слайд 12Итоги
Реализованы основные компоненты метода обнаружения пешеходов на цифровых изображениях.
Построен численный
метод обучения алгоритма классификации изображений.
Проведены эксперименты по оценке эффективности построенного метода и его сравнению с используемыми ранее методами.
Проведены эксперименты по оценке эффективности построенного метода и его сравнению с используемыми ранее методами.
