Семантическая сегментация изображений на основе метода машинного обучения

Август 8, 2022

Главная
Информатика
Семантическая сегментация изображений на основе метода машинного обучения

Содержание

2. Предмет исследования Алгоритмы определяющие набор пикселей на изображении к определенным классам def circle_points(resolution, center, radius): radians
3. Цели и задачи исследования: Цель: Проведение семантической сегментации изображения и обучение модели классификации. Задачи: Найти и
4. Что такое машинное обучение? Машинное обучение — класс методов искусственного интеллекта, характерной чертой которых является не
5. Задачи решаемые машинным обучением 1)Регрессия 2)Классификация 3)Кластеризация 4)Уменьшение размерности 5)Выявление аномалий 6)Прогнозирование
6. Типы машинного обучения -С учителем -Без учителя -С подкреплением
7. Пример работы алгоритма классификации
8. Работа с изображением для дальнейшей работы с ним
9. Вывод результата работы
10. Результаты исследования Понимание как происходит сегментация изображений Применение полученных знаний на практике путем создания системы семантической
12. Скачать презентацию

Слайд 2

Предмет исследования
Алгоритмы определяющие набор пикселей на изображении к определенным классам
def circle_points(resolution,

center, radius):
radians = np.linspace(0, 2*np.pi, resolution)
c = center[1] + radius*np.cos(radians)#polar co-ordinates
r = center[0] + radius*np.sin(radians)
return np.array([c, r]).T
points = circle_points(200, [80, 250], 80)[:-1]
fig, ax = image_show(image)
ax.plot(points[:, 0], points[:, 1], '--r', lw=3)

Пример алгоритма на основе активной контурной сегментации

Слайд 3

Цели и задачи исследования:
Цель: Проведение семантической сегментации изображения и обучение модели

классификации.

Задачи:
Найти и исследовать существующие методы сегментации изображений
Создать модель классификации для сегментации входных изображений.

Слайд 4

Что такое машинное обучение?
Машинное обучение — класс методов искусственного интеллекта, характерной

чертой которых является не прямое решение задачи, а обучение за счёт применения решений множества сходных задач.

Слайд 5

Задачи решаемые машинным обучением
1)Регрессия
2)Классификация
3)Кластеризация
4)Уменьшение размерности
5)Выявление аномалий
6)Прогнозирование

Слайд 6

Типы машинного обучения
-С учителем
-Без учителя
-С подкреплением

Слайд 7

Пример работы алгоритма классификации

Слайд 8

Работа с изображением для дальнейшей работы с ним

Слайд 9

Вывод результата работы

Слайд 10

Результаты исследования
Понимание как происходит сегментация изображений
Применение полученных знаний на практике путем

создания системы семантической сегментации изображений