Магистерская диссертация тема работы Разработка нейросетевого метода детектирования и распознавания знаков дорожного движения

2.7
 
Реализация сверточной нейронной сети на Keras 
Задача классификации представляет собой задачу отнесения образа к 
одному из заданных множеств. Каждая область изображения номерной 
пластины, полученная в результате сегментации, представляет собой 
цифробуквенный образ из алфавита допустимых символов. 
Объявление модели идет функцией model = Model(input_img, x). Первый 
идет слой свертки с размером ядра «3» на «3» и количеством карт признаков 
«64». Функция активации для этого слоя «relu». Первый слой принимает 
входную форму. Это форма каждого входного изображения – 28,28,1. Число 1 
здесь обозначает, что изображения черно-белые. 
Функцией Flatten() преобразуем полученные признаки в одномерный 
массив и создаем полносвязный слой из «150» нейронов командой Dense()
с функцией активации «relu».

---

` 
57 
Создаем еще один полносвязный слой, отвечающий за количество 
классов на выходе функцией Dense (), то есть указывается количество папок с 
классами, использованных для обучения нейронной сети.
В настоящий момент нейронная сеть будет обучена на распознавание 
«43» видов дорожных знаков. Функция активации для этого слоя «sigmoid». 
Задав архитектуру, полученную модель нужно скомпилировать: 
model.compile( 
loss='categorical_crossentropy', 
optimizer='adam', 
metrics=['accuracy']). 
Параметр «loss='categorical_crossentropy’» отвечает за функцию потерь, 
здесь использована функция для классов, чье количество превышает «2», так 
как видов дорожных знаков больше двух. Параметр «optimizer='adam'» 
оптимизирует нейронную сеть, а «metrics = ['accuracy', 'mse', 'mae']» 
определяют расчёт качества модели, в данном случае это, среднеквадратичная 
ошибка и аккуратность, то есть доля угаданных ответов. 

---

` 
58