Курсовая работа: Методы создания гибридных классификаторов на основе каскадов и глубоких нейронных сетей

Оглавление






3

Введение

Задача детекции объектов по изображениям – это важная задача современности. Её применение можно найти в разных областях: робо-тотехнике, системах автовождения, приложениях по отслеживанию и встроенных устройствах [19]. Актуальной на сегодняшний день стоит задача детекции пешеходов [15]. Эта задача заключается в определе-нии положения пешехода и его масштабов на изображении. Также та-кая задача может формулироваться в терминах класса, когда необхо-димо определить принадлежность пешехода заранее выбранному клас-су. В этом случае говорят о задаче классификации, простейшим видом которой является бинарная классификация [1]. В решении задачи де-текции пешеходов первостепенными критериями являются качество и скорость. Детектор, удовлетворяющий этим характеристикам, с малой долей риска можно использовать в системах с ограниченной вычисли-тельной мощностью [17].

На сегодняшний день существует множество методов решения за-дачи детекции. Среди них особо выделяются каскадные алгоритмы и нейронные сети. Каскадные методы получили широкое распростране-ние благодаря высокой скорости обнаружения, позволяющей их при-менять в приложениях реального времени. Но вместе с тем, сравнивая их с современными решениями, каскадные процедуры проводят обна-ружения с большим процентом ложных детекций, тем самым уступая многим другим методам в плане качества [20]. Нейронные сети, в свою очередь, демонстрируют высокую точность обнаружений, значительно сокращая уровень ложно позитивных детекций. Это их основное пре-имущество. Из недостатков нейронных сетей стоит отметить низкую скорость обнаружения, по которой они проигрывают многим