Magistrlik dissertatsiyasi 7 bet, 59 ta rasm, ta jadval, 70 ta adabiyot va ilovadan iborat

Neyron tarmoqlar yordamida yo‘l belgilarini aniqlash

Bugungi kunga kelib, tasvirlardagi obyektlarni tanib olish muammolarini hal qilish uchun yaratilgan juda ko‘plab neyron tarmoq maydonlari mavjud. Ushbu muammolarni hal qilish obyektlarning tasvirlari, ularni tasdiqlash va turli xil buzilishlar bilan bog‘liq qiyinchiliklarning paydo bo‘lishiga olib keldi:

• 
  burilishlar;
  
• 
  shovqin;
  
• 
  siljishlar;
  
• 
  o‘lchamning o‘zgarishi.
  

Aytish mumkinki, ko‘p hollarda neyron tarmoq arxitekturasini va uni o‘qitish usulini to‘g‘ri tanlash tufayli bunday murakkablikdan qochish mumkin.
Ushbu muammo bilan bog‘liq ko‘plab ishlarni o‘rganib chiqqandan so‘ng, hozirgi vaqtda yuqorida tavsiflangan barcha 4 turdagi buzilishlarga bardoshli bo‘ladigan ideal model yo‘q degan xulosaga kelindi.
Sun’iy neyron tarmoq - bu matematik model, shuningdek, biologik neyron tarmoqlari, ya’ni tirik organizm nerv hujayralari tarmoqlari ishlash prinsipiga muvofiq yaratilgan dasturiy ta’minotni amalga oshirish hisoblanadi. Bunday tushunchalar ushbu jarayonlarni modellashtirishga harakat qilganda, inson miyasida sodir bo‘ladigan jarayonlarni o‘rgangandan so‘ng paydo bo‘lgan.
11-rasmda neyron tarmoq tuzilishiga misol keltirilgan.


11-rasm. Neyron tarmog‘ining tuzilishi

O‘qitish algoritmi ishlab chiqilgandan so‘ng, hosil bo‘lgan modellar prognozlash, timsollarni tanib olish, nazorat qilish va hokazo masalalarda qo‘llanila boshlandi [18, 19].

SNT ning mavjud afzalliklari:

• 
  yuqori tasniflash qobiliyati;
  
• 
  yuqori ishlash tezligi;
  
• 
  tasvirlar bazasi bo‘yicha o‘qitish.
  

Kamchiliklardan quyidagilarni aniqlash mumkin:

• 
  SNT arxitekturasini tanlashning ko‘p vaqt talab qiladigan va uzoq davom etadigan jarayon;
  
• 
  ko‘p sonli qatlamlar, neyronlar va vazn koeffitsientlari;
  
• 
  uzoq va murakkab o‘qitish jarayoni.
  

Masalaning qiyinligi shundaki, real sahnalar tasvirlarida yo‘l belgilari buzilgan, xiralashgan yoki shovqinli bo‘lishi mumkin va belgi aylantirilishi, iflos yoki hatto deformatsiyalanishi mumkin. An’anaviy SNT bunday buzilishlarga juda sezgir.
Yuqoridagilarga qo‘shimcha ravishda shuni ta’kidlash kerakki, kameradan olingan tasvirlar juda ko‘p piksellarni o‘z ichiga oladi, shuning uchun SNT hajmi kattalashadi. Binobarin, hisob-kitoblarning murakkabligi va o‘qitishlar va ishlash vaqti davomida resurslarning intensivligi ortadi [20].
Tahlillarga asoslanib, klassik sun’iy neyron tarmoqlarining barcha mavjud kamchiliklari ko‘rib chiqildi, shuning uchun quyidagi afzalliklarga ega bo‘lgan o‘ramli neyron tarmoqlardan foydalanish kerak:

• 
  siljishlarga bardoshlilik;
  
• 
  kirish signalining buzilishiga bardoshlilik;
  
• 
  burilishlarga bardoshlilik;
  
• 
  masshtabga bardoshlilik va boshqalar.
  

O‘ramli neyron tarmoqlari. O‘ramli neyron tarmog‘i ( ingl. convolutional neural network, CNN) - bu Yan LeKun tomonidan taklif qilingan va tasvirlarni samarali tanib olishga qaratilgan sun’iy neyron tarmoqlarining maxsus arxitekturasi bo‘lib, chuqur o‘qitish texnologiyalarining bir qismidir (ingl. deep leaning).
Ushbu texnologiya miyaning vizual orasining o‘xshashligi va uning ishlash tamoyillariga asoslangan bo‘lib, unda turli burchaklardagi to‘g‘ri chiziqlarga javob beradigan oddiy hujayralar va ma’lum bir oddiy hujayralar to‘plamining faollashishiga javob beradigan murakkab hujayralar topilgan.
Shundan kelib chiqib, o‘ramli qatlamlar (ingl. convolution layers) va quyi namunalar olish qatlamlari (ingl. subsampling layers) bir-birini almashtiradi .
Ushbu tarmoqning arxitekturasi 12-rasmda ko‘rsatilgan.