Texnologiyalari universiteti urganch filiali mustaqil ish

TOSHKENT AXBOROT
TEXNOLOGIYALARI UNIVERSITETI URGANCH FILIALI




MUSTAQIL ISH

FAN NOMI: Mashinali o`qitishga kirish.
Mavzu: Tasvirlarni tanib olishda neyron tarmoq modelari va algaritmlari
Guruh: 963_19
Bajardi: Xudayberganov Shohruh

Urganch 2023
Mavzu: Tasvirlarni tanib olishda neyron tarmoq modelari va algaritmlari

Reja:

1. 
   Tasvirlarni tanib olishda neyron tarmoqlarning o`rni va qo`llaniladigan algoritmlari
   

2. Dasturiy vositasini ishlab chiqish
3. Foydalanilgan adabiyotlar

1. 
   Tasvirlarni tanib olishda neyron tarmoqlarning o`rni va qo`llaniladigan algoritmlari
   

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.
Tasvirlarni tanib olish, kompyuter kashfiyotida katta ko'ploqli tasvirlarni tahlil qilish uchun muhim masalalardan biridir. Bu masala, neyron tarmoq modelari va algoritmlari yordamida hal qilinadi.
Neyron tarmoqlarining tasvirlarni tanib olishda foydasi katta. Bu tarmoqlar, ko'pgina sinchaliklar (neuronlar) jamlanmasidan tashkil topadi va har bir sinchalik, tashqi ma'lumotlar bilan aloqada bo'lgan, o'ziga xos parametrlarga ega bo'lgan va bir-biriga bog'liq bo'lgan sinchliklar tarqatadi. Tasvirlarni tanib olishda foydali bo'lishi uchun, neyron tarmoqlari, bir katta bo'lmagan tasvir elementlarini, misol uchun, piksellerini to'plagan vektorlar sifatida olishga qodir.
Neyron tarmoqlarini tayyorlashda, obyektlarning tasvirlariga qarab, tarmoqni ustunlikli tayyorlash uchun kerakli ma'lumotlarni tayyorlash kerak. Bu ma'lumotlar, sinchaliklar uchun qulay bir formatda qabul qilinadi va o'zaro aloqa qilish uchun uchta tarmoq (kiritish, yordam berish va chiquvchi) bilan bog'liq. Tarmoq o'qish uchun ma'lumotlar berilganidan so'ng, sinchaliklar o'zaro aloqa o'rganadi va natijada tasvirning to'g'ri vaqtida tanib olinganligini aniqlaydi.
Neyron tarmoqlari yerine, tasvirlarni tanib olish uchun ko'plab algoritmik yechimlarda foydalaniladi. Bu yechimlar odatda statistik, geometrik va matematikaviy qonuniyliklarga asoslangan. Misol uchun, tasvirlardagi belgilar, markaziy joylari yoki martaqli o'zgaruvchilar bilan bog'liq algoritmlar ishlatilishi mumkin. Tasvirlarni birlashtirish, tasvirlar orasida o'zaro aloqani aniqlash, tasvirlardagi nuqtalar yoki maydonchalar o'rtasidagi o'zaro bog'liqni aniqlash va boshqalar kabi yechimlar ham tasvirlarni tanib olishda ishlatilishi mumkin.
Har bir tasvirlarni tanib olish masalasi maxsusdir va ko'pincha qo'llanadigan yechimlar bir-biridan farqli bo'lganligi sababli, amalda, tasvirlarni tanib olishda bir nechta yechimlar va modellar ishlatiladi.
Tasvirlarni tanib olish uchun qo'llaniladigan neyron tarmoqlari va algoritmlari soni ko'p va ularda farqli xususiyatlar mavjudligi sababli, ularning har biri o'zining foydali yo'nalishlari va cheklovlari bilan ajratiladi.
Konvolutsion neyron tarmoqlari (CNN): Bu neyron tarmoqlari, tasvirlarning konvolutsiyalashtirilgan burchaklarini tahlil qilishda yordam beradi. CNN'lar, yuqori aniqlig vaqtida samarali ishlaydigan bir necha konvolutsiyalashtirilgan layerlarga ega bo'lgan ko'p qat'iyatli modellar hisoblanadi.
Mahsulotlarning invariantli neyron tarmoqlari (SNN): SNN'lar, tasvirlardagi invariant xususiyatlarni tahlil qilish uchun ishlatiladi. Bu tarmoqlar, tasvirlar va boshqa ma'lumotlar orasidagi invariant aloqani aniqlashda yordam beradi.
Avto-enkoderlar: Bu tarmoqlar, avtomatik ravishda kodlashni o'rganish uchun ishlatiladi. Ular, tasvirlarni bir nechta encoding (enkoder) va decoding (dekoder) layertiga ajratadi. Bu tarmoqlar, tasvirlarni o'rganishda yaxshi natija olish uchun odatda keng qo'llaniladi.
GAN'lar (Generative Adversarial Networks): Bu neyron tarmoqlari, tasvirlar tuzish yoki generatsiyalashga xizmat qilish uchun yaratilgan. GAN'lar, ixtiyoriy tasvirlarni generatsiya qilishda va asosiy tasvirlardagi xususiyatlarni o'rganishda yordam beradi.
SVM (Support Vector Machines): SVM, tasvirlarni boshqarishda kerakli xususiyatlar va klassifikatorlarga ega bo'lgan cheklovlarga asoslangan bo'lib, odatda tasvirlarni klassifikatsiyalash va aniqlovchi yechimlar uchun ishlatiladi.
PCA (Principal Component Analysis): Bu statistik qo'llanma, tasvirlarning katta ko'ploqli o'zgaruvchilarni kichikroq bo'limlarga ajratishda yordam beradi, shuningdek, tasvirlardagi xususiyatlarni topishda va tasvirlar orasidagi invariant aloqani aniqlashda ham qo'llaniladi.
Bu modellar va yechimlar tasvirlarni tanib olishda foydalaniladi va har biri o'zining xususiyatlari bilan ajratiladi.