Ч а с т ь I главный редактор

«Молодой учёный»
.
№ 24 (366)
 .
Июнь 2021 г.
20
Информационные технологии
При аугментации варьировались параметры: приближение, поворот, яркость и горизонтальный поворот (зеркальное отобра-
жение). Для каждой модели из датасета 90% изображений и масок были включены в обучающий набор, а остальные 10% —в вали-
дационный. В итоге, 6-я модель имела на последней эпохе наивысшую точность: 86%, а также визуально лучше всех производила 
сегментацию на тестовых фотографиях.
Рис. 2.
 Пример работы 6-й модели нейронной сети
После этого была выведена формула перекраски каждого пиксела, который находится под маской, формула использует яркость 
исходного пиксела, а значит позволяет сохранить рельеф и тени при перекраске:
max
,
255
=
×
k
k
k
k
original
new
color
(1)
где 
new
— текущий пиксел нового изображения, color — цвет, задаваемый пользователем, original — цвет текущего пиксела ис-
ходного изображения,
1,3
=

k
—
цветовая компонента.
Путем совмещения алгоритмов сегментации и перекраски получилось необходимое решение. На примере актуальной задачи 
была решена задача сегментации с некоторой точностью. Есть смысл найти более подходящий датасет, а также, экспериментиро-
вать с параметрами нейронной сети для увеличения точности.
Литература:
1. RMRC Reconstruction Meets Recognition Challenge 2014. [Электронный ресурс]. URL: https://cs.nyu.edu/~silberman/rmrc2014/
indoor.php (дата обращения: 11.06.2021).
2. U-Net: нейросеть для сегментации изображений. [Электронный ресурс]. URL: https://neurohive.io/ru/vidy-nejrosete-
j/u-net-image-segmentation/ (дата обращения: 11.06.2021).
3. S. Pattanayak. Pro Deep Learning with TensorFlow [Книга].— Berkeley, CA: Apress, 2017. — 398 с.
4. Аугментация (augmentation, «раздутие») данных для обучения нейронной сети на примере печатных символов. [Элек-
тронный ресурс]. URL: https://habr.com/ru/company/smartengines/blog/264677/ (дата обращения: 11.06.2021).

“Young Scientist”

жүктеу/скачать 7,26 Mb.

Достарыңызбен бөлісу: