Обучения гурин Владислав Игоревич

Рисунок 2 – а (слева) – положительная выборка, б (справа) – отрицательная
Для обучения каскада классифи
-
каторов воспользуемся программой 
opencv_traincascade.exe, которая рас
-
пространяется в пакете OpenCV.
На рис. 3 представлены примеры 
удачной локализации знака обучен
-
ным каскадом.
Рисунок 3 – Удачная локализация запрещающих знаков
В результате был обучен каскад клас
-
сификаторов для круглых (запрещаю
-
щих) знаков. Точность локализации 
составила 85,1 %. Это не такая высокая 
точность, но стоит учитывать, что ра
-
бота идет с данными с видеокамеры, а 
значит, объект может быть обнаружен 
на других кадрах. Большая часть оши
-

---

TECHNICAL SCIENCES
SCIENCE WITHOUT BORDERS NO. 5(45) 2020
79
бок обнаружения происходила из-за 
маленького размера знака на картинке 
(30х30 пикселей и меньше).
Классификация объектов на изо-
бражении с помощью сверточных 
нейронных сетей
Задачи распознавания сложных об
-
разов хорошо решаются с помощью 
сверточных нейронных сетей [3]. Эф
-
фективность сверточных сетей обу
-
словлена двумя важными свойствами 
изображений – локальностью и повто
-
рением образов. Однако для успешного 
распознавания нужно сначала грамотно 
спроектировать сеть, а потом ее обу
-
чить. При этом объем и качество выбор
-
ки также оказывают сильное влияние на 
результат работы нейронной сети.
Рисунок 4 – Распознавание объекта с помощью сверточной нейронной сети
Обучение нейронной сети
Для обучения свёрточных нейрон
-
ных сетей используются алгорит
-
мы обучения с учителем [4]. Самым 
популярным методом вычисления 
ошибки является функция среднеква
-
дратичной ошибки. Задача обучения 
сводится к минимизации этой функ
-
ции путем корректировки синапти
-
ческих связей между нейронами. Для 
минимизации ошибки чаще всего ис
-
пользуются градиентные методы. Для 
обучения нейронной сети также ис
-
пользуется база немецких дорожных 
знаков.