Методи класифікації зображень з використанням машинного навчання

Abstract

Метою кваліфікаційної роботи є емпіричний аналіз та порівняння існуючих методів класифікації зображень з низькою роздільною здатністю, виявлення найкращої архітектури нейромережевого класифікатора та впровадження покращень для роботи із зображеннями низькою роздільною здатністю на прикладі класифікації БПЛА. Покращення роботи за часом та зменшення використовуваних ресурсів під час виконання класифікації методом з використанням попередньої обробки вхідних зображень. У ході виконання кваліфікаційної роботи було проаналізовано існуючі архітектури непромережевих класифікаторів, таких як класичні методи вододіл та затоплення, з використанням машинного навчання CNN, Transformer, RNN. Було доказано переваги CNN для класифікації зображень в порівнянні з іншими типами. Було проаналізовано та досліджено різні реалізації CNN архітектури емпіричним шляхом для отримання результатів якості класифікації. Було проаналізовано усі популярні набори даних для навчання і виявлено мінімальну кількість зображень з БПЛА. Створено новий вид класифікатора на базі CNN архітектури зі зміною шарів stride-конволюції та пулінгу. Проаналізовано існуючі методи попередньої обробки зображень та вибрані відповідні методи для збільшення точності та якості класифікації.