Дипломная работа на тему "ТЮМГУ | Генеративно-состязательная нейронная сеть для генерации изображений автомобильных номеров на основе пользовательской выборки"

Работа на тему: Генеративно-состязательная нейронная сеть для генерации изображений автомобильных номеров на основе пользовательской выборки
Оценка: хорошо.
Оригинальность работы на момент публикации 50+% на антиплагиат.ру.
Ниже прилагаю все данные для покупки.
https://studentu24.ru/list/suppliers/Anastasiya1---1326

Описание работы

МИНИСТЕРСТВО НАУКИ И ВЫСШЕГО ОБРАЗОВАНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ
Федеральное государственное автономное образовательное учреждение высшего образования
«ТЮМЕНСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ» ИНСТИТУТ МАТЕМАТИКИ И КОМПЬЮТЕРНЫХ НАУК
Кафедра программной и системной инженерии Базовая кафедра автоматизации бизнес-процессов (на платформе lС:Предприятие)

Рекомендовано к защите в ГЭК

ВЫПУСКНАЯ КВАЛИФИКАЦИОННАЯ РАБОТА
бакалавра
ГЕНЕРАТИВНО-СОСТЯЗАТЕЛЬНАЯ НЕЙРОННАЯ СЕТЬ ДЛЯ ГЕНЕРАЦИИ ИЗОБРАЖЕНИЙ АВТОМОБИЛЬНЫХ НОМЕРОВ НА ОСНОВЕ ПОЛЬЗОВАТЕЛЬСКОЙ ВЫБОРКИ

09.03.03 Прикладная информатика
Профиль «Разработка информационных систем бизнеса»

Тюмень 2023

ОГЛАВЛЕНИЕ
Оглавление 2
Термины и сокращения 3
Введение 4
Глава 1. Анализ предметной области 6
1.1. Постановка цели и задач проекта 6
1.2. Требования к генерируемым данным 8
1.3. Выбор технологии генерации набора данных 9
1.4. Выбор архитектуры GAN 12
1.5. Требования к обучающей выборке данных 13
Глава 2. Разработка инструментария генерации данных 16
2.1. Технологии разработки 16
2.2. Формирование обучающей выборки 17
2.3. Разработка инструмента предобработки обучающей выборки данных 18
2.4. Реализация алгоритма свёртки изображения 20
2.5. Реализация функции расчёта потерь 23
2.6. Реализация архитектуры генеративно-состязательной модели 27
2.6. Числовые параметры модели 31
Глава 3. Оценка генеративной модели 33
3.1. Структурная схожесть (SSIM) 33
3.2. Пиковое отношение сигнала к шуму (PSNR) 35
3.3. Читаемость номера 36
Глава 4. Описание пользовательского взаимодействия 37
Заключение 39
Библиографический список 41

ТЕРМИНЫ И СОКРАЩЕНИЯ
GAN (Generative Adversarial Networks) – генеративно-состязательная
Нейрон — это вычислительная единица, которая принимает информацию и выполняет некоторые вычисления над этой информацией.
Веса — это действительные числа, отражающие коэффициент связи между конкретными нейронами. Входные данные — это данные, поступающие к нейрону.
Нейронная сеть — это метод в искусственном интеллекте, который позволяет компьютеру обрабатывать данные, по принципу человеческого мозга. Метод использует сеть взаимосвязанных узлов или нейронов, которые работают вместе для выполнения сложных задач.
Функция активации — нелинейное преобразование, поэлементно применяющееся к пришедшим на вход данным.
Обучающая выборка — выборка данных, поставляемых на вход нейронной сети, с целью нахождения закономерностей между данными и последующего обучения нейронной сети.
Обучение нейронной сети – процесс корректировки значений весов, на основе обучающей выборки данных.
Генератор — это нейронная сеть, которая принимает на вход изображение и генерирует на выходе изображение с определенными характеристиками или структурой, выявленными в процессе обучения.
Дискриминатор — это нейронная сеть, которая принимает на вход изображение и выдает на выходе число, представляющее вероятность того, что входное изображение является реальным или сгенерированным. Его задача состоит в классификации изображений и определении, насколько хорошо генератор создает реалистичные изображения.

ВВЕДЕНИЕ
Одной из важнейших и трудоёмких задач в машинном обучении является формирование наборов обучающих данных. Компания Ivideon занимается разработкой продуктов в сфере видеоаналитики. Среди решений, предлагаемых компанией, имеется программный продукт, использующий технологию распознавания автомобильных номеров. Данный продукт представляет интерес не только для отечественных, но и для зарубежных заказчиков.
Для обучения модели распознавания требуется не менее нескольких тысяч изображений автомобильных номеров той страны, представителем которой является заказчик. Во многих случаях данные, необходимые для развития проекта, найти в открытом доступе не представляется возможным. В таких случаях разработчики вынуждены либо формировать наборы данных самостоятельно, либо оплачивать услуги специалистов по сбору данных.
Процесс формирования выборок из тысяч изображений номеров, необходимых для многих проектов, является трудоёмкой и дорогостоящей задачей. Разработка и реализация метода генерации «синтетического» набора данных на основе имеющейся сравнительно небольшой выборки может значительно упростить подготовку входных наборов данных для обучения моделей.
Для успешной подготовки и защиты выпускной квалификационной работы обучающимся использовались средства и методы физической культуры и спорта с целью поддержания должного уровня физической подготовленности, обеспечивающую высокую умственную и физической работоспособность. В режим рабочего дня включались различные формы организации занятий физической культурой (физкультпаузы, физкультминутки, занятия избранным видом спорта) с целью профилактики утомления, появления хронических заболеваний и нормализации деятельности различных систем организма.
В рамках подготовки к защите выпускной квалификационной работы автором созданы и поддерживались безопасные условия жизнедеятельности, учитывающие возможность возникновении чрезвычайных ситуаций

БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. ГОСТ Р 59385-2021 “Информационные технологии (ИТ). Искусственный интеллект. Ситуационная видеоаналитика. Термины и определения”.
2. ГОСТ Р 59277-2020 “Системы искусственного интеллекта. Классификация систем искусственного интеллекта”.
3. NomeroffNet/ Github: электронный ресурс.
5. Jong Taek Lee. - License Plate Image Generation using Generative Adversarial Networks for End-To-End License Plate Character Recognition from a Small Set of Real Images – Дата последнего обновления статьи: 16.04.2020.
6. Ta-Ying Cheng – Building a GAN with PyTorch– Дата последнего обновления статьи: 10.07.2021
7. Goodfellow I. J., Pouget-Abadie J., Mirza M., Xu B., Warde-Farley D., Ozair Sh., Courville A., Bengio Y. Generative Adversarial Networks. 2014 [Электронный ресурс].
8. Langr J., Bok V. GANs in Action: Deep learning with Generative Adversarial Networks. Manning, 2019. 276 р.
9. Фостер Д. Генеративное глубокое обучение. Творческий потенциал нейронных сетей. – СПб.: Питер, 2020. – 336 с.
10. Траск Э. Грокаем глубокое обучение. – СПб.: Питер, 2020. – 352 с.
11. Iglesias G, Talavera E, Diaz-Alvarez A. A survey on GANs for computer vision: Recent research, analysis and taxonomy // Computer Science Review.
№ 48(12). 2022. [Электронный ресурс].
12. Сквозная платформа машинного обучения с открытым исходным кодом TensorFlow [Электронный ресурс].
13. Keras – высокоуровневый API библиотеки TensorFlow [Электронный ресурс].