Следующим этапом введения в компьютерное зрение является переход к более широкораспространенному инструменту в современных исследованиях, а именно нейронным сетям.
Знакомство с нейронными сетями начнем с фреймворка Keras. И на базе того же датасета MNIST попробуем сначала обучить собственную сверточную нейронную сеть.
По умолчанию Keras имеет в своей основе TensorFlow, который имеет достаточно хорошую поддержку GPU.
Читать далее
В качестве простейшей иллюстрации рассмотрим классификацию датасета MNIST двумя подходами, и. заодно, познакомимся с двумя инструментами.
Датасет MNIST представляет собой набор из 70000 изображений рукописных цифр от 0 до 9, который делится на 60000 обучающих изображений и 10000 тестовых. Подробное его описание и он сам доступены по адресу https://www.openml.org/d/554.
Цифры были нормализованы по размеру и центрированы на изображении фиксированного размера. Исходные черно-белые изображения из NIST были нормализованы по размеру, чтобы поместиться в поле размером 20×20 пикселей при сохранении их соотношения сторон. После нормализации изображения сглажены, вследствие чего содержат уровни серого. Полученные изображения центрированы в поле 28×28 путем вычисления центра масс пикселей и перемещения изображения таким образом, чтобы расположить эту точку в центре.
Когда-то этот датасет был одним из соревновательных датасетов для научных исследований в области классификации изображений, однако, на данный момент современными средствами и методами точность классификации приблизилась к 100%, а датасет получил роль учебного и является хорошей базой для первых шагов в машинном обучении.
Одним из наиболее известных фреймворков для машинного обучения с использованием классических методов является scikit-learn.
Читать далее
Статья является вводной в проблему компьютерного зрения. Разумеется, в рамках одной статьи невозможно подробно рассказать об инструментах и научить ими пользоваться, однако целью ставится введение в задачу реализации компьютерного зрения, зачем оно нужно и где применяется на данный момент, а где планируется.
Читать далее
Автоматическая оценка возраста является сложной проблемой, привлекающей внимание ученых, занимающихся вопросами компьютерного зрения и распознавания образов из-за множества практических применений. Искусственные нейронные сети, такие как CNN, являются популярным инструментом для решения подобных проблем, а нами предлагается несколько наборов данных, которые можно использовать для обучения моделей.
Несмотря на то, что собаки являются наиболее хорошо изученными видами в науке о животных, и что процессы старения у собак во многих аспектах сходны с таковыми у людей, проблема оценки возраста собак до сих пор игнорируется.
Целью этого соревнования является разработка моделей, которые будут точно прогнозировать возраст собаки по ее изображению.
Это соревнование основано на наборе данных DogAge, который был тщательно собран в сотрудничестве ученых, работающих в области информационных технологий и исследований животных. Датасет содержит изображения собак, сопоставленных с одним из трех классов: молодые (от 0 до 2 лет), взрослые (от 2 до 5 лет) или старые (> 6 лет).
В настоящее время набор данных состоит из двух частей:
Две части набора тренировочных данных можно найти здесь.
Данное соревнование организовано:
Важные даты:
Победитель будет определен в соответствии с критериями, определенными ниже, и получит приз. Ожидается, что победитель, а также другие участники представят статьи, описывающие их методологические подходы, для публикации в рецензируемом журнале (обсуждается).
Критерием успеха будет достижение как минимум 60% средней точности (мАР). Среди них лучший результат mAP будет выбран в качестве финального победителя.
Заметка дополняется
Для обучающихся по направлению специальности «Управление в технических системах», очень важно иметь практику работы с реальными объектами. Будущие бакалавры и магистры должны точно знать, как работают многие технические объекты, и любые теоретические знания, полученные на лекционных занятиях, должны быть подкреплены практикой. Студентам желательно уметь разрабатывать систему управления не только теоретически, но и иметь навыки реализовать её на разных устройствах. Например, уметь программировать промышленные контроллеры.
Читать далее
В прошлой статье мы рассмотрели, как можно решать системы линейных алгебраических уравнений, однако возможности TensorFlow этим не ограничиваются. Несмотря на то, что в явном виде библиотека не содержит инструментария для решения нелинейных систем, в ней есть множество инструментов для решения оптимизационных задач, а численное решение сиcтемы уравнений сводится как раз к такой задаче.
Библиотека TensorFlow широко известна, в основном, в контексте машинного обучения и нейронных сетей. Однако, TensorFlow изначально не является библиотекой машинного обучения в чистом виде, а позиционируется разработчиками, как библиотека для высокопроизводительных вычислений (high perfomance computing), а это значит, что область ее применения значительно шире. Итак, выступая на конференции с докладом о том, как мы применяли TensorFlow для задачи оценки показателей надежности, я получил вполне закономерный вопрос: «А можно ли использовать TF для решения систем уравнений?». Ответ, естественно, положительный, и в этой статье рассмотрим, как решать системы линейных алгебраических уравнений.
В статье предложена иерархическая модель процесса нейросетевого диагностирования систем управления турбоагрегатами. Выделены два уровня обработки данных, которые последовательно оценивают степени принадлежности симптомов к каждой из потенциальных неисправностей и ставят диагноз техническому состоянию. Для ускорения обучения нейронной сети предложен метод многоэтапного тренинга. На примере системы управления газовой турбиной анализируется эффективность предложенной архитектуры интеллектуального диагностического аппарата с сетью прямого распространения и LSTM-сетью.
Доклад представлен на международной научной конференции «IEEE Northwest Russia Conference On Mathematical Methods In Engineering And Technology: ММEТ NW 2018»
В работе поднимается проблема анализа надёжности сложных систем управления, применяемых в ответственных областях науки и техники, например, таких как объекты использования атомной энергии. Приводится обзор основных принципов оценки показателей надёжности на примере вероятности безотказной работы. Обосновывается требование к автоматизированному расчёту, необходимость разработки программного-алгоритмического комплекса для расчета показателей надежности, и основной перечень требований к нему. Делается обзор текущего состояния разработки программно-алгоритмического комплекса и перспективы развития.
Одной из распространенных задач, возникающих при исследовании различных объектов — построение математической модели. Нередко математическая модель представляется в виде системы дифференциальных уравнений, однако непосредственное измерение всех, входящих в них параметров, как правило, невозможно по различным причинам. В таком случае, одним из подходов является проведение идентификационных экспериментов и оценка параметров ДУ путем решения оптимизационной задачи.
В статье рассмотрен простой способ оценки параметров системы ДУ в форме Коши на языке Python.