Muhammad al-xorazmiy nomidagi toshkеnt axborot tеxnologiyalari univеrsitеti qarshi filiali “ kompyuter injiniringi ” fakultеti

4-rasm. A) Tasvirning asl koʻrinishi B) Konturning aniqligi oshirilgan va uning natijasi
.
Qirralarni aniqlash usullarini qoʻllashdan koʻrinib turibdiki, berilgan 
tasvir qirralarini aniqlashni bir necha usullari orqali tasvirlab berildi. Asl 
tasvirni sifatini oshirish yoki tasvirga ishlov berish orqali dastlabki maʻlumot 
qatlamini ta’minlash uchun talab qilinadi. Ushbu boʻlimda biz sifatni 
yaxshilashning eng muhum usullarini, shuningdek, keng tarqalgan qayta ishlov 
berish algoritmlarini muhokama qilindi. 
Shunday qilib, biz tasvirni aniqlash muammosini hal qilamiz. Bu yuzlar, 
narsalar, belgilar va boshqalarni tanib olish bo'lishi mumkin. Men qo'lda 
yozilgan raqamlarni tanib olish muammosini ko'rib chiqishni taklif qilaman. 
Ushbu vazifa bir necha sabablarga ko'ra yaxshi: 
Qo'lda yozilgan belgini tanib olish uchun rasmiylashtirilgan (aqlli emas) 
algoritmni tuzish juda qiyin va bu aniq bo'lib, siz turli odamlar yozgan bir xil 

---

raqamga qarashingiz kerak.Vazifa juda dolzarb va OCR (optik belgilarni 
aniqlash) bilan bog'liq.Yuklab olish va tajriba o'tkazish uchun bepul qo'lda 
yozilgan belgilar bazasi mavjud.Ushbu mavzu bo'yicha bir nechta maqolalar 
mavjud va turli xil yondashuvlarni taqqoslash juda oson va qulay.Kirish 
ma'lumotlari sifatida MNIST ma'lumotlar bazasidan foydalanish taklif etiladi. 
Ushbu ma'lumotlar bazasida 60000 ta o'quv juftligi (rasm - yorliq) va 10000 ta 
test juftligi (yorliqsiz rasmlar) mavjud. Tasvirlar hajmi bo'yicha 
markazlashtirilgan va normalizatsiya qilingan. Har bir raqamning o'lchami 
20x20 dan oshmaydi, ammo ular 28x28 kvadrat ichida yozilgan. MNIST 
ma'lumotlar bazasining o'quv to'plamidan dastlabki 12 ta raqamga misol 
quyidagi rasmda keltirilgan: 
Shunday qilib, vazifa quyidagicha tuzilgan: qo'lda yozilgan belgilarni 
tanib olish, ularning rasmlarini kirish sifatida qabul qilish va 10 ta chiqishdan 
birini faollashtirish uchun neyron tarmoq yaratish va o'qitish.... Faollashtirish 
deganda biz chiqishda 1 qiymatini tushunamiz. Bunday holda, boshqa 
chiqimlarning qiymatlari (ideal) -1 ga teng bo'lishi kerak. Nima uchun o'lchov 
ishlatilmayotganini keyinroq tushuntirib beraman. 
2. "muntazam" neyron tarmoqlar. 
Aksariyat odamlar "oddiy" yoki "klassik" neyron tarmoqlar tomonidan 
xatolikni orqaga qaytarish bilan to'la bog'langan neyron tarmoqlarni bir-biriga 
bog'lab turishadi: 
Nomidan ko'rinib turibdiki, bunday tarmoqda har bir neyron har biriga 
bog'langan, signal faqat kirish qatlamidan chiqishga yo'nalish bo'yicha boradi, 
rekursiyalar bo'lmaydi. Biz bunday tarmoqni qisqartirilgan shaklda PNS deb 
ataymiz.Birinchidan, ma'lumotlarni kiritishga qanday topshirishni hal 
qilishingiz kerak. PNS uchun eng sodda va deyarli tortishuvsiz echim ikki 
o'lchovli tasvir matritsasini bir o'lchovli vektor sifatida ifodalashdir. O'sha. 
o'lchamlari 28x28 bo'lgan qo'l yozuvi shaklidagi rasm uchun biz 784 ta kirishga 
ega bo'lamiz, bu etarli emas. Ko'plab konservativ olimlar asab tarmog'i 
olimlarini va ularning uslublarini - arxitekturani tanlashni yoqtirmaydigan 
narsa nima bo'ladi. Va ularga yoqmaydi, chunki me'morchilik tanlovi sof 
shamanizmdir. Hozirga qadar muammoning tavsifiga asoslanib neyronal 
tarmoqning tuzilishini va tarkibini aniq belgilashga imkon beradigan usullar 
mavjud emas. Himoyada shuni aytmoqchimanki, rasmiylashtirish qiyin bo'lgan 
vazifalar uchun bunday usul deyarli yaratilmaydi. Bundan tashqari, tarmoqni 
qisqartirishning turli xil usullari (masalan, OBD), shuningdek, turli xil 

---

evristikalar va qoidalar mavjud. Ushbu qoidalardan birida yashirin qatlamdagi 
neyronlarning soni hech bo'lmaganda kattaligi kattaligi tartibidan kattaroq 
bo'lishi kerakligi aytilgan. Agar rasmdan sinf ko'rsatkichiga o'tishning o'zi 
ancha murakkab va mohiyatan chiziqli emasligini hisobga olsak, bu erda bitta 
qatlam etarli emas. Yuqorida aytib o'tilganlarga asoslanib, biz yashirin 
qatlamlarda neyronlarning soni tartibda bo'lishini taxmin qilamiz 15000 (2-
qatlamda 10 000, uchinchisida 5 000). Bundan tashqari, ikkita yashirin qatlamli 
konfiguratsiya uchun raqam moslashtiriladigan va o'qitiladigan havolalar kirish 
va birinchi yashirin qatlam o'rtasida 10 million bo'ladi + birinchi va ikkinchi 
o'rtasida 50 million + ikkinchi va hafta oxiri o'rtasida 50 ming, agar bizda 10 ta 
chiqish mavjud deb hisoblasak, ularning har biri 0 dan raqamni bildiradi 9. 
Hammasi bo'lib 60,000,000 ulanishlar... Ularning sozlanishi haqida bejiz 
aytmagan edim, ya'ni mashg'ulotlar davomida siz ularning har biri uchun xato 
gradientini hisoblashingiz kerak bo'ladi.Bu erda nima qila olasiz, sun'iy aqlning 
go'zalligi qurbon bo'lishni talab qiladi. Ammo agar siz o'ylab ko'rsangiz, biz 
tasvirni baytlarning chiziqli qatoriga aylantirganda, biz biron bir narsani 
qaytarib bo'lmaydigan darajada yo'qotayotganimizni eslaymiz. Bundan 
tashqari, har bir qatlam bilan bu yo'qotish yanada kuchayadi. To'g'ri - biz 
rasmning topologiyasini yo'qotamiz, ya'ni. uning alohida qismlari o'rtasidagi 
munosabatlar. Bundan tashqari, tanib olish vazifasi asab tarmog'ining kichik 
siljishlarga, burilishlarga va tasvir o'lchovidagi o'zgarishlarga chidamli bo'lish 
qobiliyatini nazarda tutadi, ya'ni. u ma'lumotlardan u yoki bu shaxsning 
qo'lyozmasiga bog'liq bo'lmagan ba'zi bir invariantlarni chiqarishi kerak. Xo'sh, 
juda murakkab bo'lmagan va shu bilan birga turli xil tasvir buzilishlariga 
nisbatan o'zgarmas bo'lishi uchun asab tarmog'i qanday bo'lishi kerak? 
3. Konvolyutsion neyron tarmoqlar 
Ushbu muammoning echimi tibbiyot sohasidagi Nobel mukofoti 
sovrindorlari Torsten Nils Vizel va Devid X. Xubelning ishlaridan ilhomlanib, 
fransuz-amerikalik olim Yan LeKune tomonidan topilgan. Ushbu olimlar 
mushuk miyasining vizual korteksini tekshirib ko'rishdi va oddiy burchakli 
hujayralar deb nomlangan bo'lib, ular har xil burchakdagi tekis chiziqlarga va 
reaksiyalarning bir yo'nalishda harakatlanishiga javob beradigan murakkab 
hujayralarga kuchli ta'sir ko'rsatadi. Yang LeCun konvulsion deb nomlangan 
neyron tarmoqlardan foydalanishni taklif qildi. 
4. Natijalar 

---

Matlabcentral dasturda allaqachon o'qitilgan neyron tarmoq fayllari, 
shuningdek ish natijalarini namoyish qilish uchun GUI mavjud. Quyida tanib 
olishning namunalari keltirilgan: 
Ushbu havolada MNIST asosida tanib olish usullarini taqqoslash jadvali 
mavjud. 0,39% tanib olish xatolari natijasida konvulsion neyron tarmoqlari 
uchun birinchi o'rin. Ushbu noto'g'ri aniqlangan rasmlarning aksariyati hamma 
tomonidan to'g'ri tan olinmaydi. Bundan tashqari, ishda kirish tasvirlarining 
elastik buzilishlari va dastlabki nazoratsiz mashg'ulotlar ishlatilgan. Ammo 
boshqa usulda yana bir narsa sifatida ushbu usullar haqida. 
5.Biometrikada neyron tarmoqlar va yuzni aniqlash 
Tanib olishning yuqori aniqligiga erishish uchun neyron tarmog'i, 
masalan, MegaFace ma'lumotlar bazasidagi kabi ko'plab rasmlarda 
o'qitiladi.Bu yuzni tanib olishning asosiy mashg'ulot usuli. 
Anjir. 6. MegaFace ma'lumotlar bazasida 690 mingdan ortiq odamning 1 
million tasviri mavjud 
Tarmoq yuzlarni aniqlashga o'rgatilgandan so'ng, yuzni aniqlash jarayoni 
quyidagicha tavsiflanishi mumkin (7-rasm). Birinchidan, tasvir yuz detektori 
yordamida qayta ishlanadi: tasvirning to'rtburchaklar qismini yuz bilan 
aniqlaydigan algoritm. Ushbu fragment neyron tarmog'ida ishlov berishni 
osonlashtirish uchun normallashtiriladi: agar barcha kirish tasvirlari bir xil 
o'lchamda, rangda va boshqalarda bo'lsa, eng yaxshi natijaga erishiladi. 
algoritm bo'yicha. Ushbu algoritm odatda tanib olish sifatini oshirish uchun 
kompaniyaning noyob rivojlanishi hisoblanadi, ammo bu muammo uchun 
"standart" echimlar ham mavjud. Neyron tarmog'i noyob xususiyat vektorini 
yaratadi, so'ngra ma'lumotlar bazasiga o'tkaziladi. Qidiruv tizim uni 
ma'lumotlar bazasida saqlangan barcha xususiyat vektorlari bilan taqqoslaydi 
va qidiruv natijasini ma'lum miqdordagi ismlar yoki yuz xususiyatlariga 
o'xshash foydalanuvchi profillari ko'rinishida beradi, ularning har biriga 
ma'lum bir raqam beriladi. Ushbu raqam bizning xususiyat vektorimizning 
ma'lumotlar bazasida o'xshashligi darajasini anglatadi. 

---

Anjir. Yuzni tanib olish jarayoni 
6.Algoritmning sifatini aniqlash 
Aniqlik 
Ob'ektga yoki yuzni aniqlash muammosiga qaysi algoritmni qo'llashni 
tanlayotganda, biz turli algoritmlarning samaradorligini taqqoslash vositasiga 
ega bo'lishimiz kerak. Ushbu qismda biz buni amalga oshiradigan vositalarni 
tasvirlaymiz.Yuzni aniqlash tizimining sifati biometrikadan foydalangan holda 
autentifikatsiya qilish uchun tizimdan foydalanishning odatiy stsenariylariga 
mos keladigan ko'rsatkichlar to'plami yordamida baholanadi.Qoida tariqasida, 
har qanday neyron tarmog'ining ishlashi aniqlik bilan o'lchanishi mumkin: 
parametrlarni o'rnatgandan va o'quv jarayonini tugatgandan so'ng, tarmoq 
sinovlar to'plamida sinovdan o'tkaziladi, buning uchun biz o'qituvchining 
javobiga egamiz, ammo bu alohida o'quv to'plami. Odatda, bu parametr 
miqdoriy o'lchovdir: tizim yangi ob'ektlarni tanib olish qobiliyatini 
ko'rsatadigan raqam (ko'pincha foizda). Yana bir keng tarqalgan o'lchov - bu 
xato (u foizda yoki raqamli ekvivalentda ifodalanishi mumkin). Biroq, 
biometriya bo'yicha aniqroq choralar mavjud.Umuman olganda biometrikada 
va ayniqsa yuzni tanib olish uchun biometrikada ikki xil dastur mavjud: 
tekshirish va identifikatsiya qilish. Tekshirish - bu shaxsning tasvirini (yuz 
xususiyatlari vektori yoki boshqa xususiyatlar vektori, masalan, to'r pardasi 
yoki barmoq izlari) bir yoki bir nechta oldindan saqlangan shablonlar bilan 
taqqoslash orqali ma'lum bir shaxsni tasdiqlash jarayoni. Identifikatsiya - bu 
shaxsning shaxsini aniqlash jarayoni. Biometrik namunalar yig'ilib, 
ma'lumotlar bazasidagi barcha andozalar bilan taqqoslanadi. Yopiq 
funktsiyalar to'plamida identifikatsiya mavjud, agar u ma'lumotlar bazasida bir 
kishi bor deb taxmin qilinsa. Shunday qilib, tanib olish atamalarning birini yoki 
ikkalasini birlashtiradi - tekshirish va identifikatsiya qilish.Ko'pincha, 
to'g'ridan-to'g'ri taqqoslash natijasidan tashqari, tizimning qaroriga "ishonch" 
darajasini baholash talab qilinadi. Ushbu qiymat "o'xshashlik ballari" (yoki 
o'xshashlik ballari) deb nomlanadi. O'xshashlik ko'rsatkichi yuqoriroq 
bo'lganligi, taqqoslangan ikkala biometrik namunaning o'xshashligini 
ko'rsatadi.