Izlanishlar va amaliy qo’llanishlar keskin rivojlanmoqda

MUXAMMAD AL-XORAZMIY NOMIDAGI TOSHKENT AXBOROT TEXNOLOGIYALARI UNIVERSITETI
SAMARQAND FILIALI

5330300 - Axborot xavfsizligi (sohalar bo’yicha) yo’nalishi 307- gurux “Mashinali o’qitish” fanidan

MUSTAQIL ISH

Bajardi; Haydarov SH. Qabul qildi: Kubayev S.

Samarqand 2022

Tasvirni aniqlash uchun an'anaviy neyron tarmoqlarining cheklovlari.

Reja:

1. 
   Tasvirlarni tanishda neyron tarmoqlarining dasturiy vositalarini ko’pyadroli prosessorlar muhitida ishlab chiqish.
   
2. 
   Matrisaning o’lchamlarini kiritish.
   
3. 
   Video tasvirlar asosida obyektlarni aniqlash algoritmlari va dasturini ishlab chiqish.
   

Asosiy qism

Tasvirlarni tanishda neyron tarmoqlarining dasturiy vositalarini ko’pyadroli prosessorlar muhitida ishlab chiqish.

Hozirgi vaqtda sun’iy neyron to’rlari va masalalarni parallel ishlash ustida nazariy izlanishlar va amaliy qo’llanishlar keskin rivojlanmoqda. Neyron to’rlar analitik tavsifi bo’lmagan va faqatgina eksperimental ma’lumotlar bilan berilgan katta ko’lamdagi amaliy masalalarni yechish imkonini beradi. Neyron to’rlarini sintez qilishda algoritmlarning nozik tomoni bu qaror qabul qilishni tushuntirish bo’lib hisoblanadi. Bu muammoni yechish bilan ko’pchilik tadqiqotchilar shug’ullanmoqdalar. Bu maqsadda ishlatadigan usullar evristik bo’lganligi uchun ular asosida korrekt qaror qabul qilish foydalanuvchining subektiv mulohazasiga bog’liq bo’ladi. Ko’p o’lchovli chiziqsiz optimizasiyaning an’anaviy iterativ gradiyent algoritmlari bilan o’rganadigan neyron to’rlari modellarining eng ko’p tarqalgani — bu ko’p qatlamli sun’iy neyron to’rlari sinfidir. Ma’lumki, ko’p qatlamli sun’iy neyron to’rlari o’rganishda iterativ algoritmlar yaqinlashuvi, o’rganiladigan berilganlarning (tanlovning) hajmiga, vaznlarning boshlang’ich qiymatiga, shuningdek, o’rganishdagi maksimal xatolarga (o’rganishning sifat mezonlariga), o’rganishdagi takrorlanishlar soniga (o’rganish vaqtining uzayishi mezonlariga) bog’liq. Shuning uchun, qo’yilgan masalani yechish uchun optimal modellarni tanlashda ularni solishtirish va qaror qabul qilishda neyroto’rlarning xususiyatlarini yetarli darajada baholashga imkon beruvchi xususiy va umumiy mezonlar majmuasini ishlab chiqish zarur. Bilimlarni ajratib olish algoritmlarini va sifat jihatdan yangi bosqichdagi, kognitolog mutaxassislarga mo’ljallangan, neyron to’rlarining programma vositalarini yaratishga asos bo’luvchi yangi g’oyalar zarur. Hozirda keng tarqalgan xatolarning teskari tarqalish algoritmlarida va Xopfild neyron to’rlarida qaror qabul qilish jarayonini tushuntirishga harakatlar qilindi. Bu modellardagi algoritmlarning evristik xarakterda ekanligi qaror qabul qilishda neyron to’rlarining shaffoflik muammosini yechishni yetarli darajada matematik formallashtirishga imkon bermaydi. Natijada, tasvirlarni ajratib olish neyron to’rlari bo’yicha mutaxassisga bog’liq va asosan tavsiya xususiyatiga ega bo’ladi. Ayni paytda, sun’iy neyron to’ri sohasidagi olimlar tomonidan turli xil amaliy masalalarni yechishda neyromodellarni solishtirishga va tanlashga asos bo’ladigan, ko’p qatlamli
neyron to’rlarining mantiqiy shaffofligini miqdoriy baholaydigan bir nechta mezonlar va usullar ishlab chiqilgan. Umumlashgan ko’rsatkichlarni hisoblash orqali tajriba ma’lumotlar bazasidan tasvirlarni ajratib olish va ularni ifodalash va modellarda parallel ishlov berishni joriy etish tadqiqot maqsadi hisoblanadi. Standart ravishda qo’yilgan obrazlarni anglash masalasi qaraladi. Ikkita o’zaro kesishmaydigan K 1 ,K 2 sinflar vakillarini o’z ichiga olgan E 0 = {S 1 ,…,S m } obektlar to’plami berilgan deb hisoblanadi. Obektlar n ta turli toifadagi (miqdoriy va sifat) alomatlar bilan tavsiflangan bo’lib, ularning ξ tasi intervallarda ( J to’plam), n — ξ tasi nominal ( J to’plam) o’lchamlarda o’lchanadi. O’ng’aylik uchun, K 1 sinf vakillarini ro’y bergan holatlar (no holatlar) va K 2 — ro’y bermagan holatlar (no holatlar) deb hisoblaymiz. Ikki sinfli masala qaralishiga sabablardan biri — har qanday obektning umumlashgan bahosi nisbiydir, u qarama-qarshi sinf obektlariga qiyoslash natijasida yuzaga keladi. Ikkinchidan, har qanday k (k>2) sinfli masalani ikki sinfli masalalar kaskadi ko’rinishida yechish mumkin. Har bir miqdoriy alomat uchun, chegaralarida “holat” yoki “no holat” sinfi ustun bo’lgan intervallarni tanlash masalasi tadqiq qilinadi. Umumlashgan ko’rsatkichlarni hisoblash orqali tajriba ma’lumotlar bazasidan tasvirlarni ajratib olish va ularni modellarda ifodalash jarayoni va uning natijalari medisina, geologiya, sosiyologiya sohalarining asosiy masalasi hisoblanadi va shuning uchun yaratilgan algoritm hamda dasturiy ta’minotdan ushbu sohalarda foydalanish mumkin. Sunniy neyron to’rlari konfigurasiyalari orasida klassifikasiyalashda o’qitish prinsiplari bo’yicha o’qituvchi yordamida o’rgatish va o’qituvchisiz o’rgatish prinsiplariga to’g’ri kelmaydi. Bunday hollarda og’irlik koeffisiyentlari qayta ishlanayotgan axborotlar yordamida izlab topiladi va barcha o’rgatishlar xuddi shu hisoblashga keltiriladi. Bir tomondan aprior axborotlarni o’qituvchining yordami sifatida qabul qilish kerak, boshqa tomondan tarmoq tasvirlarni haqiqiy ma’luotlar kelguncha xotirada saqlab qoladi. Bunday mantiqiy bog’lanishli tarmoqlar sifatida Xopfild va Ximming to’rlarini yaxshi tanilgan.
Quyida qirishi va chiqishi bitta bo’lgan bir qatlamli Xopfildnig neyron tarmog’i keltirilgan.

Rasm. Xopfild tarmog’ining strukturali sxemasi

Dasturiy vositani С++ dasturlash tilida yaratamiz, buning uchun Borland C++ Bulder dasturini ishga tushiramiz va shaklga zarur elementlarni o’rnatamiz (1-rasm) shakl nomini “Xopfild neyron to'ri” deb nomlaymiz va unga StringGrid1, StringGrid2, StringGrid3 larni o’rnatamiz. Shundan sung, zarur tugmachalarni shaklga qo’yib chiqamiz. Ularga mos datur kodlarini ilovada keltiramiz.

1-rasm. Xopfildning neyron to’ri shakli

Eng oldin paydo bo’ladigan “Matrisaning o’lchamlarini kiritish” shaklni yaratamiz, bu shaklda dastur matrisadagi qatorlar soni, ustunlar soni, bosh shakldagi kataklar o’lchami, qo’shish dialog oynasidagi kataklar o’lchami, ko’rishdagi kataklar o’lchami va ularni ishga to’shiruvchi tugmalardan shaklni hosil qilish, bekor qilish, chiqish tugmachalarini o’rnatamiz va ularga mos dastur kodlarini kiritamiz. Dastur kodlarini ilovada keltiramiz.(2-rasm)

2-rasm. Matrisaning o’lchamlarini kiritish

Dastur haqida ma’lumotlarni beruvchi shaklni yaratamiz, buning uchun unga oddiy Label elementlaridan foydalanib, dasstur nomi, dastur versiyasi, tayerlangan joyi, qaysi tilda yaratilganligi va kim tomonidan yaratilganligi haqida ma’lumotlarnikiritamiz va u elementlarni mos ravishda nomlaymiz.

3-rasm. Dastur haqida

Ushbu shakl dasturni yaratilganligi to’g’risidagi barcha ma’lumotlarni chiqarish uchun ishlatiladi. Keyingi shakl, yangi shablonlarni yaratish uchun yordam beruvchi dasturiy kodlarni shakllantiradi. Bu shaklni yaratish uchun RadioGroup, StringGrid va Button elementlaridan foydalanamiz, bu elementlar mos ravishda shaklni yarattishda, unga ishlov berish usullari va unga yuklattilgan vazifalarni bajarish uchun foydalaniladi. Tugmachalarga mos kodlarni yaratamiz, bu tugmachalar buyash, tozalash, invertlash va ishni bajarish uchun foydalaniladi.

4.-rasm. Yangi shablon yaratish shakli

Video tasvirlar asosida obyektlarni aniqlash algoritmlari va dasturini ishlab chiqish So'nggi yillarda kompyuter ko'rishning jadal rivojlanishi bilan ob'ektni aniqlash
(OD) kompyuter ko'rishning muhim qismi sifatida ko'plab sohalarda keng qo'llanila boshlandi. Tasvirni qayta ishlashga asoslangan OD tasvirlardan xususiyatlarni ajratib
oladi, so'ngra toifa, joylashuv va yo'nalish kabi ob'ekt ma'lumotlarini oladi va tahlil qiladi. OD video monitoringi, g'ayritabiiy xatti-harakatlar tahlili va mobil robotlar kabi ko'plab real vaqtda vaziyatlarda keng qo'llaniladi. Ushbu yondashuv xususiyatlarni ajratib olish va tahlil qilish orqali juda qimmatli ma'lumotlarni olishi mumkin. Biroq, usul, ayniqsa, yuqori hisoblash va xotira talablari nuqtai nazaridan juda ko'p qiyinchiliklarga duch keladi.
Mashinani o'rganishning an'anaviy usullari tasvirlardan ob'ekt xususiyatlarini ajratib oladi va keyin xususiyatlarni klassifikatorga kiritadi. Xususiyatlarni ajratib olishning an'anaviy usullariga yo'naltirilgan gradientning gistogrammasi (HOG) usuli, masshtabni o'zgarmas xususiyat transformatsiyasi (SIFT) va boshqalar kiradi. Tasniflash usullari qo'llab-quvvatlovchi vektor mashinasi (SVM), Bayesian, qaror daraxtlari va boshqalarni o'z ichiga oladi. Bu usullar asosan oldingi bilimlarga tayan. Ular real vaqt rejimida emas, chunki ular doimiy ravishda namuna olishadi. Bundan tashqari, bu usullarda bir
nechta xususiyat nuqtalari mavjud va chekka xususiyatlami ajratib olish ba'zan aniq emas. Ushbu usullarning asosi xususiyatni ajratib olishdir va xususiyatni ajratib olish sifati usulning ishlashiga bevosita ta'sir qiladi. Biroq, amaliy dasturlarda bu usullar asosan kichik ma'lumotlar to'plamidan foydalangan holda aniq ob'ektlarni tanib olishga qaratilgan va umumlashtirish qobiliyati past. Mashinani o'rganish usullari doimiy ravishda optimallashtirilayotgan bo'lsa-da, past darajadagi xususiyatlarni olishdan tortib, tasvirlarning paydo bo'lishigacha, eng muvaffaqiyatli usul - deformatsiyalanadigan qismlar modeli (DPM). Biroq, bu usul sekin aniqlashga ega va namunalarning geometrik xususiyatlariga bog'liq. Hozirgi vaqtda an'anaviy mashinani o'rganish usullari OD texnologiyasida ma'lumotlarni qayta ishlashning samaradorligi, ishlashi, tezligi va razvedka talablariga javob bera olmaydi.
Chuqur o'rganish texnologiyasining paydo bo'lishi bilan kompyuterni ko'rish sohasi tez rivojlandi. Tasvirni aniqlash uchun chuqur o'rganish texnologiyasi qo'llanildi va u so'nggi yillarda ob'ektni tanib olishda katta yutuqlarga erishdi. Chuqur o'rganish texnologiyasi inson miyasining kognitiv qobiliyatini o'rganish va taqlid qilish orqali xususiyatlarni qayta ishlashi va tahlil qilishi mumkin, bu ODda katta ta'sir ko'rsatadi.
An'anaviy xususiyatlarni ajratib olish usullaridan farqli o'laroq, chuqur konvolyutsion neyron tarmoqlar ko'p qatlamli konvolyutsiya operatsiyalari yordamida xususiyatlarni ajratib olish orqali yuqori aniqlik darajasiga erishishi mumkin. Bundan tashqari, ular geometrik o'zgarishlar, deformatsiyalar va yorug'lik nuqtai nazaridan mustahkamdir va atrof-muhit o'zgarishlari tufayli yuzaga keladigan qiyinchiliklarni engib o'tishlari mumkin. Chuqur o'rganish usullari o'quv ma'lumotlaridan foydalangan holda xususiyat tavsifini moslashtirishi mumkin va ular juda moslashuvchan va yuqori umumlashtirish qobiliyatiga ega. Chuqur o'rganish usullari orasida mintaqaviy konvolyutsion neyron tarmog'i (RCNN), tezroq mintaqaviy konvolyutsion neyron tarmog'i (Faster RCNN), Siz faqat bir marta ko'ring (YOLO) va bir martalik multibox detektori (SSD) ODda eng ko'p qo'llaniladigan usullardir. Biroq, chuqur o'rganishga asoslangan joriy OD usullari sekin aniqlash tezligi va yuqori vaqt sarfi tufayli hali ham muammolarga duch kelmoqda. Ushbu maqolada biz real vaqtda video OD usulini taklif qilamiz. Biz OD nazariyasi uchun Fast YOLO algoritmini mavhum tarzda tanishtiramiz va keyin Fast YOLO asosini, shu jumladan oldindan ishlov berish jarayoni, modelni o'rgatish va yo'qotish funksiyasini batafsil tanishtiramiz. Keyinchalik, Fast YOLO algoritmining ishlashini ba'zi tajribalar orqali tekshiramiz. Orqa fon
Chuqur o'rganish texnologiya rivojlanishi bilan keng tufayli uning kuchli xususiyati chiqarish qobiliyati uchun achigan ishlatiladigan bo'ldi. So'nggi yillarda, chuqur o'rganish asosida OD algoritmlari haqida tadqiqot ko'p olimlar e'tiborini jalb etdi. 2014- yilda, RCNN model Ross Girshick terma jamoasi tomonidan taklif etilgan edi. Agar bir necha nomzod viloyatlari asosiy fontlar dazmolni asrlar tanlab olindi va bir CN
mintaqaviy xususiyatlarini ajratib olish uchun ishlatilgan. So'ngra, optimal viloyatlar bo'lmagan maksimal bostirish usuli yordamida olingan. Murakkab o'quv qadamlar muammolar va RCNN, Kaiming U boshq vaqti sarfini hal qilish uchun. butun grafik bir o'zgartirish jingalak operatsiya amalga vaqt iste'mol kamayadi fazoviy piramida pulining (SPP) Net, taklif va keyin bir xususiyati xarita nomzod viloyati Manzil ma'lumot bog'langan. 2015-yilda, Ross Girshick terma jamoasi RCNN yaxshilandi va asosan nomzod Windows hisob takrorladi Eàtimoliy to'ladi hal qilish uchun ishlatiladigan tezroq RCNN, mo'ljallangan. Ular innovatsion shaytondan on achigan e ffi samaradorligini va
faoliyatini yaxshilandi convo-qoplamlar xususiyatlar va sonuçlarimiz Fi bilan baham ko'rish uchun viloyat nomzodlikni, siniflayicisinin fi kation va tushish yoqilgan nomzod viloyatlarini, ishlab chiqarish uchun joy taklif tarmog'i (RPN) taklif qildi. 2016-yilda, Yusuf Redmon boshq. juda ochish tezligi oshirish hamda yuqori aniqligini ta'minlash, yagona bulish yordamida tasvirlar nomzodi viloyatlarini olishingiz mumkin Yolo algoritmi taklif. Bundan tashqari, ko'plab boshqa olimlar achigan uchun ilg'or usullarini taklif etgan. Yadav va boshq. fonda bir dinamik sahna ob'ekt bo'lganda harakat aniqlash asoslangan yangi usuli taklif. Bu ish statistik p parametr asoslangan fon olish usuli ishlab chiqilgan va oliy ishlash erishildi. Lavanya Sharma va boshq. uyda qo'lga tushirish video-ketliklar uchun foydalanish mumkin va shahar yoki IP cam- davrlar uchun xavfsizlik uchun qo'llanilishi mumkin harakatlanuvchi ob'ektlarni aniqlash uchun fon olish usulini ishlatib, bir taklif video kuzatuv tizimi, batafsil fikr beradi. Mehran Yazdiy va boshq. mobil kameralar tomonidan qo'lga video ketliklar harakat ob'ektlarni aniqlash uchun ilg'or usullari so'rovnoma taqdim va ular ham qiyinchiliklar va fi qadim asosiy tashvish taqdim etdi. Lavanya Sharma va boshq. yoritish muammoni hal qilish uchun kuchli fon olish usulini taklif harakatga asoslangan o'zgarishlar. Dileep Kumar Yadav va boshq. uchun mustahkam usuli taklif video doirasida achigan harakat va suzib o'rtacha asoslangan fon modelini ishlab chiqdi. Bu shovqin yoki fon jadal komponentini kamaytirish mumkin. Lavanya Sharma va boshq. chiziqli diskriminant pol qiymati asoslangan yangi fon olish usuli taklif. Bu qiymat har bir keyingi har bir piksel uchun, ish vaqtida avtomatik ravishda yangilanadi ramka. GoogLeNet modelAn'anaviy neyron tarmog'ining konvolyutsiya qatlamlaridan farqli o'laroq, GoogLeNet modeli parametrlar sonini kamaytiradi va hisoblash hajmini nazorat qiladi, bu esa yaxshi tasniflash ko'rsatkichlariga erishadi va aniqlash tezligini sezilarli darajada yaxshilaydi. Google Inception Network chuqur neyron tarmoq bo'lib, 22 ta qatlam, 21 ta konvolyutsion qatlam va bitta to'liq bog'langan qatlamdan iborat. Google Inception Network dizaynidagi asosiy yangilik siyrak matritsa operatsiyalarini mahalliy zichlashtirish va funksiyalarni parallel qayta ishlash va kompozitsiyada qo'llaniladigan ko'p miqyosli konvolyutsiya bo'lib, bu tezlikni sezilarli darajada oshirishi mumkin
Inception moduli to'liq bog'langan qatlamni olib tashlaydi va uni global o'rtacha birlashtiruvchi qatlam bilan almashtiradi (tasvir o'lchamini 1 x 1 ga o'zgartiradi), bu modelni o'qitishni tezlashtiradi va haddan tashqari o'tish ehtimolini kamaytiradi. To'liq bog'langan qatlamni global o'rtacha birlashtiruvchi qatlam bilan almashtirish usuli tarmoq (NIN) model arxitekturasida tarmoqdan qabul qilingan. Dastlabki bosqichda boshlang'ich modulning dizayni parametrlardan foydalanish samaradorligini oshiradi. Boshlang'ich modul katta tarmoqdagi kichik tarmoqqa o'xshaydi, uning tuzilishini o'rgatish uchun qayta- qayta o'rnatish mumkin.katta tarmoq. YOLO
YOLO - mintaqaviy bo'lmagan nomzodga asoslangan ODning oxirigacha usuli. Fast RCNN kabi boshqa OD usullaridan farqli o'laroq, YOLO ob'ektni aniqlash vazifasini ob'ekt hududini bashorat qilish va sinfni bashorat qilish kabi bir nechta jarayonlarga ajratmaydi. YOLO algoritmi yuqori aniqlik bilan tezkor aniqlashga erishish uchun ikkala vazifani bitta neyron tarmoq modeliga birlashtiradi.