Введение. 
Критерии выбора признаков в задаче классификации изображений

Распознавание образов — задача, ставящаяся перед информатикой и смежными дисциплинами, развивающая основы и методы классификации и идентификации предметов, явлений, процессов, сигналов, ситуаций и т. п. объектов, которые характеризуются конечным набором некоторых свойств и признаков. В общем случае, образ довольно широкое понятие, и действительно распознавание и классификация могут оперировать различными данными, будь то распознавание сигнала светофора, или группирование библиотечных книг по первой букве фамилии автора, или поиск в лесах определенного вида животного по издаваемому им звуку, а может и классификация изображений объектов по группам. Существует огромное количество сфер жизнедеятельности, в которых может возникнуть задача подобного характера, начиная от медицины и заканчивая военным делом.

Выше была упомянута классификация изображений, являющаяся одной из наиболее тяжелых задач распознавания образов. Задачи такого рода могут возникать не только с теоретической точки зрения, но чаще даже с практической, к примеру, при необходимости составления библиотек фотографий, распознания рукописного текста, автомобильных номеров. Сложность данной задачи состоит в первую очередь в том, что объемы входного пространства зачастую огромны и требуют большой вычислительной мощности. Также, существует ряд других причин, по которым данная задача тяжело реализуема, а именно неидеальность качества задействованных изображений, сложности в классификации изображений разного размера и т. д. Все это приводит к тому, что для каждой из таких задач приходится подбирать новый способ решения, или подбирать новые параметры для уже известного метода, то есть ни о какой универсальности речи никто вести не может.

изображение нейронная сеть оптимизация Один из наиболее распространённых методов решения подобных задач — метод искусственных нейронных сетей, основанный на взаимодействии между минимальными элементами этой сети, нейронами. Настройка и подготовка подобных сетей трудоемкий процесс связанный зачастую с экспериментальным подбором параметров, однако, хорошо настроенная нейронная сеть способна в разы обогнать любых конкурентов во многих задачах классификации и прогнозирования. В частности в решении задач о классификации изображений относительно современным методом является метод сверточных нейронных сетей.

Цель моей дипломной работы: реализовать сверточную нейронную сеть, способную решить задачу о классификации изображений, а именно на предоставленной библиотеке изображений CIFAR-10, включающей в себя изображения, относящиеся к 10 классам, пройти обучение на 50 000 тренировочных картинок и на основании полученных знаний с некоторой точностью классифицировать оставшиеся 10 000.

Использование именно данного типа нейронных сетей обусловлено их теоретически хорошими показателями классификаторов, а также их способность к уменьшению связей между нейронами, и, как следствие, затрачиваемых аппаратных ресурсов.

Данный метод имеет некоторые ограничения связанные с топологией предоставляемых ему изображений, однако, предоставленная база CIFAR-10 имеет стандартизированный размер картинок — 32×32, что делает возможным его применение.

Несмотря на то, что сама по себе работа несет эмпирический характер, актуальность проблемы распознавания образов на основе сверточныхнейронных сетей в целом обусловлена отсутствием универсальных методов в задача о классификации и необходимостью их поиска.

Моя бакалаврская работа состоит из четырех частей. Первая содержит теоретически материал по теме классификации изображений и нейронным сетям, вторая описывает метод ускорения работы нейронных сетей. Третья часть посвещена разработанному интерфейсу нейронной сети для задачи классификации изображений. Четвертый — это результаты исследований в направлении решения задачи классификации на разработанном ПО.