Разделы презентаций
- Разное
- Английский язык
- Астрономия
- Алгебра
- Биология
- География
- Геометрия
- Детские презентации
- Информатика
- История
- Литература
- Математика
- Медицина
- Менеджмент
- Музыка
- МХК
- Немецкий язык
- ОБЖ
- Обществознание
- Окружающий мир
- Педагогика
- Русский язык
- Технология
- Физика
- Философия
- Химия
- Шаблоны, картинки для презентаций
- Экология
- Экономика
- Юриспруденция
Поиск объектов на изображении с помощью U-Net
Содержание
- 1. Поиск объектов на изображении с помощью U-Net
- 2. Directum ArioКлассификация документов (договор, акт выполненных работ,
- 3. План докладаПроблема.Поиск подписей при помощи OpenCV.Введение в нейронные сети.Поиск подписей с помощью нейронных сетей.Итоги.
- 4. ПроблемаПришёл заказчик, которому требовалось определять наличие подписи для валидации анкеты.
- 5. Поиск подписей при помощи OpenCV
- 6. Алгоритмпереводим в ч/бнаходим контурыберём наибольший???PROFIT!
- 7. PROFIT?
- 8. Классификация “подпись/не подпись”68%
- 9. Введение в нейронные сети
- 10. Нейронная сеть
- 11. Нейронная сеть
- 12. Нейронная сеть
- 13. Нейронная сеть
- 14. Нейронная сеть
- 15. Слои нейронной сетиПолносвязный слой (Dense layer).Свёрточный слой (Convolutional layer).Рекуррентный слой (Recurrent layer).
- 16. Слои нейронной сетиПолносвязный слой (Dense layer).Свёрточный слой (Convolutional layer).Рекуррентный слой (Recurrent layer).
- 17. Convolutional Layer
- 18. Слайд 18
- 19. Поиск подписей с помощью нейронных сетей
- 20. Работа в проекте с нейронными сетямиПостановка задачи.Выбор
- 21. U-Net
- 22. Архитектура сети
- 23. Архитектура сети
- 24. Обучение сети
- 25. Слайд 25
- 26. Слайд 26
- 27. Слайд 27
- 28. Что делать с результатом работы нейронной сети?Подбираем порог на котором режем подписи:фиксированныйвычисляемый
- 29. Измеряем качество
- 30. Измеряем качество
- 31. Измеряем качество
- 32. Прямоугольная разметкаРазметка подписей обрамляющими прямоугольникамиF1-мера: 72%
- 33. Аугментациягоризонтальное и вертикальное отражениеповороты на 90, 180, 270 градусовF1-мера: 76%
- 34. Полигональная разметкаРазметка полигонами, приближенными к подписиF1-мера: 82%
- 35. Тюнинг сетидобавили слоиизменили размер входного слояF1-мера: 87%
- 36. Плюсыотносительно быстрое обучение нейронной сетинебольшой размер обученной
- 37. Минусысложно разделить “слипшиеся” объектыиз коробки не получилось
- 38. Что дальше?Deep Watershed Transformдругие архитектуры сетей
- 39. СсылкиKeras U-Net starterUnderstanding Semantic Segmentation with UNETU-Net: Convolutional Networks for Biomedical Image SegmentationГлубокое обучение на Python
- 40. Контакты@feeeper@feeepershirobokov.andrey@gmail.com
- 41. Скачать презентанцию
Directum ArioКлассификация документов (договор, акт выполненных работ, счёт и пр.).Извлечение фактов из документов (наименования организаций, даты, адреса и пр.).Сравнение документов.Поиск подписей и печатей.
Слайды и текст этой презентации
Слайд 2Directum Ario
Классификация документов (договор, акт выполненных работ, счёт и пр.).
Извлечение
фактов из документов (наименования организаций, даты, адреса и пр.).
подписей и печатей.
Слайд 3План доклада
Проблема.
Поиск подписей при помощи OpenCV.
Введение в нейронные сети.
Поиск подписей
с помощью нейронных сетей.
Итоги.
Слайд 4Проблема
Пришёл заказчик, которому требовалось определять наличие подписи для валидации анкеты.
Слайд 15Слои нейронной сети
Полносвязный слой (Dense layer).
Свёрточный слой (Convolutional layer).
Рекуррентный слой
(Recurrent layer).
Слайд 16Слои нейронной сети
Полносвязный слой (Dense layer).
Свёрточный слой (Convolutional layer).
Рекуррентный слой
(Recurrent layer).
Слайд 20Работа в проекте с нейронными сетями
Постановка задачи.
Выбор метрик качества.
Поиск, подбор,
разметка данных.
Выбор и настройка нейронной сети.
Если метрики не устраивают возвращаемся
к п.3.Встраивание в сервис.
Слайд 28Что делать с результатом работы нейронной сети?
Подбираем порог на котором
режем подписи:
фиксированный
вычисляемый
Слайд 33Аугментация
горизонтальное и вертикальное отражение
повороты на 90, 180, 270 градусов
F1-мера: 76%
Слайд 36Плюсы
относительно быстрое обучение нейронной сети
небольшой размер обученной модели
простая и понятная
архитектура
быстрое выполнение на CPU
приемлемое качество
простое обучение
просто обучить на поиск других
объектов
Слайд 37Минусы
сложно разделить “слипшиеся” объекты
из коробки не получилось обучить для нескольких
классов (подписи, печати)
из коробки качество местами не очень
могут возникнуть проблемы,
если необходимо искать объекты разных размеров
Слайд 39Ссылки
Keras U-Net starter
Understanding Semantic Segmentation with UNET
U-Net: Convolutional Networks for
Biomedical Image Segmentation
Глубокое обучение на Python
