Palun kasuta seda identifikaatorit viitamiseks ja linkimiseks:
http://elartu.tntu.edu.ua/handle/lib/36773| Pealkiri: | Методи ідентифікації паління на основі аналітичного опрацювання візуальних даних засобами тривимірних згорткових нейронних мереж |
| Teised pealkirjad: | Smoking identification methods based on analytical processing of visual data by means of three-dimensional convolutional neural networks |
| Autor: | Михайлів, Микола Васильович Mykhayliv, Mykola Vasylovych |
| Affiliation: | ТНТУ ім. І. Пулюя, Факультет комп’ютерно-інформаційних систем і програмної інженерії, Кафедра комп’ютерних наук, м. Тернопіль, Україна |
| Bibliographic description (Ukraine): | Михайлів М. В. Методи ідентифікації паління на основі аналітичного опрацювання візуальних даних засобами тривимірних згорткових нейронних мереж : кваліфікаційна робота освітнього рівня „Магістр“ „122 – комп’ютерні науки“ / М. В. Михайлів. – Тернопіль : ТНТУ, 2021. – 71 с. |
| Ilmumisaasta: | 21-det-2021 |
| Submitted date: | 7-det-2021 |
| Date of entry: | 24-det-2021 |
| Country (code): | UA |
| Place of the edition/event: | ТНТУ ім. І.Пулюя, ФІС, м. Тернопіль, Україна |
| Supervisor: | Марценко, Сергій Володимирович |
| Committee members: | Бойко, Ігор Володимирович |
| UDC: | 004.852 |
| Märksõnad: | відеоряд video sequence згорткова нейронна мережа convolutional neural network машинне навчання machine learning паління smoking розпізнавання образів pattern recognition |
| Kokkuvõte: | Кваліфікаційна робота присвячена дослідженню методів ідентифікації паління на основі аналітичного опрацювання візуальних даних засобами тривимірних згорткових нейронних мереж. Розглянуто процес розпізнавання образів з використанням машинного навчання як основного методу розпізнавання паління. Проведено аналіз предметної області. Виявлено ознаки паління за візуальними даними. Досліджено переваги застосування нейронних мереж глибокого навчання перед традиційними методами машинного навчання. Описано передобробку відеопослідовності. Вибрано архітектуру згорткових нейронних мереж, яка згодом перетворена на тривимірну. Описано навчання нейронної мережі та її оптимізація. Розроблено та описано алгоритм розпізнавання паління на послідовності відео. Проведено навчання та тестування тривимірної згорткової нейронної мережі на наборі даних HMDB51. Точність розпізнавання паління за візуальними даними розрахована з застосуванням різних метрик. Thesis deals with the research of smoking identification methods on the basis of analytical processing of visual data by means of three - dimensional convolutional neural networks. The process of pattern recognition using machine learning as the main method of smoking recognition is considered. The analysis of the subject area is carried out. Signs of smoking were revealed according to visual data. The advantages of using neural networks of deep learning over traditional methods of machine learning are investigated. Video sequence preprocessing is described. The architecture of convolutional neural networks is chosen, which is later transformed into three-dimensional. The training of the neural network and its optimization are described. A algorithm for smoking detection on a video sequence has been developed and described. Training and testing of a three-dimensional convolutional neural network on the HMDB51 data set were performed. The accuracy of visual recognition of smoking by visual data is calculated using different metrics. |
| Content: | Вступ 9 1 Аналіз предметної області 11 1.1 Постановка проблеми 11 1.2 Методи розпізнавання паління 13 1.3 МН 14 1.4 НМ 16 1.5 Традиційні методи МН та НМГН 22 1.6 Виявлення ознак паління 23 1.7 Висновки до першого розділу 24 2 Теоретична частина 26 2.1 Попередня обробка відеопослідовності 26 2.2 Вибір архітектури НМ 28 2.2.1 AlexNet 28 2.2.2 VGGNet 30 2.2.3 ResNet 31 2.3 Тривимірні ЗНМ 35 2.4 Модифікована архітектура НМ 38 2.5 Навчання НМ 39 2.6 Оптимізація 40 2.6.1 СГС 40 2.6.2 Пакетна нормалізація 43 2.7 Висновки до другого розділу 44 3 Практична частина 45 3.1 Алгоритм процесу розпізнавання паління з відеопослідовності 45 3.2 Експериментальні дослідження 51 3.2.1 Набір даних 51 3.2.2 Експеримент 53 3.3 Висновки до третього розділу 56 4 Охорона праці та безпека в надзвичайних ситуаціях 58 4.1 Режими праці і відпочинку при роботі з ЕОМ 58 4.2 Вплив електромагнітного імпульсу (ЕМІ) ядерного вибуху на елементи виробництва та заходи захисту. 60 4.4 Висновки до четвертого розділу 64 Висновки 65 Перелік джерел 66 Додатки |
| URI: | http://elartu.tntu.edu.ua/handle/lib/36773 |
| Copyright owner: | © Михайлів Микола Васильович, 2021 |
| References (Ukraine): | 1. Всесвітня організація охорони здоров'я. Доповідь ВООЗ про глобальну тютюнову епідемію, 2020 р. – Попередження про небезпеки тютюну. [Електронний ресурс]: – Режим доступу: https://www.who.int/fctc/ua/ (дата звернення 21.11.2021). 2. Всесвітня організація охорони здоров'я: Стаття 8 Рамкової конвенції Всесвітньої Організації Охорони Здоров'я. [Електронний ресурс] - Режим доступу: https://www.who.int/tobacco/global_report/2013/summary/ru/ (дата звернення 21.11.2021). 3. Jordan, M. I. Machine learning: Trends, perspectives, and prospects // American Association for the Advancement of Science. – 2015. – № 6245. – pp. 255-260/ 4. Deo, R. C. Machine learning in medicine // Circulation. – 2015. – Ɍ. 132. – №. 20. – p. 1920-1930. 5. Wuest, T. Machine learning in manufacturing: advantages, challenges, and applications //Production & Manufacturing Research. – 2016. – Ɍ. 4. – №. 1. – p. 23-45. 6. Hsieh, W.W. Machine Learning Methods in the Environmental Sciences: Neural Networks and Kernels: book – Cambridge: Cambridge University Press, 2009. – 349 p. 7. Ranking the risk factors for cesarean: logistic regression analysis of a nationwide study // S. Mor-Yosef, A. Samueloff, B. Modan, D. Navot, J. G. Schenker. – Obstetrics & Gynecology. – 1990. – Ɍ. 75. – №. 6. – p. 944-947. 8. Goodfellow I. Deep learning: book – MIT press, 2016. 9. Galton, F. J. Regression towards mediocrity in hereditary stature // Journal of the Anthropological Institute / Institute of Great Britain and Ireland. – 1885. – p. 246–263. 10. Estivill-Castro V. Why so many clustering algorithms: a position paper //ACM SIGKDD explorations newsletter. – 2002. – Ɍ. 4. – №. 1. – p. 65-75. 11. Kaelbling L. P., Littman M. L., Moore A. W. Reinforcement learning: A survey //Journal of artificial intelligence research. – 1996. – Ɍ. 4. – p. 237-285. 12. Wu P. Human smoking event detection using visual interaction clues //2010 20th International Conference on Pattern Recognition. – IEEE, 2010. – p. 4344-4347. 13. Smoking-faces: This is a command line tool that analyze videos and detects if a person is smoking. [Електронний ресурс] - Режим доступу: https://github.com/chok68/smoking-faces/blob/master/smokingdetection.py (дата звернення 25.11.2021). 14. Odetallah, A. D., Agaian S. S. Human visual system-based smoking event detection //Mobile Multimedia/Image Processing, Security, and Applications 2012. – International Society for Optics and Photonics, 2012. – Ɍ. 8406. – p. 840607. 15. Dunne, É. Smoking Detection in Video Footage : ɚɜɬɨɪɟɮ. ɞɢɫ. – School of Computer Science and Statistics Smoking Detection in Video Footage. A Dissertation submitted in partial fulfilment of the requirements for the degree of MAI (Computer Engineering). – Submitted to the University of Dublin, Trinity College, 2018. – 43 p. 16. Poonam, G., Shashank B. N., Athri G. R. Development of framework for detecting smoking scene in video clips //Indonesian Journal of Engineering and Computer Science. – 2019. – p. 22-26. 17. Iwamoto, K. et al. Cigarette smoke detection from captured image sequences //Image Processing: Machine Vision Applications III. – International Society for Optics and Photonics, 2010. – Ɍ. 7538. – p. 753813. 18. Iwamoto, K. et al. Cigarette Smoke Detection Using Feature Values Based on The Kernel LMS Algorithm // IEICE technical report. Circuits and systems 109(434), 2010. – p. 247-248 19. Bien, T. L., Lin C. H. Detection and recognition of indoor smoking events //Fifth International Conference on Machine Vision (ICMV 2012): Algorithms, Pattern Recognition, and Basic Technologies. – International Society for Optics and Photonics, 2013. – Ɍ. 8784. – p. 878424. 20. Cortes C., Vapnik V. Support-vector networks //Machine learning. – 1995. – Ɍ. 20. – №. 3. – p. 273-297. 85 21. Михайлів М.В. Попередня обробка відеозображень з використанням нейронних мереж // Інформаційні моделі, системи та технології: Праці IX наук.-техн. конф. (Тернопіль, 08-09 грудня 2021 р.) Тернопіль, 2021. – С. 58. 22. Maglogiannis I. G. (ed.). Emerging artificial intelligence applications in computer engineering: real word ai systems with applications in ehealth, hci, information retrieval and pervasive technologies. – Ios Press, 2007. – p. 160. 23. Cowan J. D. Discussion: McCulloch-Pitts and related neural nets from 1943 to 1989 //Bulletin of mathematical biology. – 1990. – Ɍ. 52. – №. 1-2. – p. 73- 97. 24. Rosenblatt F. The perceptron, a perceiving and recognizing automaton Project Para. – Cornell Aeronautical Laboratory, 1957. 25. Yasoubi A., Hojabr R., Modarressi M. Power-efficient accelerator design for neural networks using computation reuse //IEEE Computer Architecture Letters. – 2016. – Ɍ. 16. – №. 1. – p. 72-75. 26. Krizhevsky A., Sutskever I., Hinton G. E. Imagenet classification with deep convolutional neural networks //Advances in neural information processing systems. – 2012. – p. 1097-1105. 27. Le Cun Y. et al. Handwritten digit recognition: Applications of neural network chips and automatic learning //IEEE Communications Magazine. – 1989. – Ɍ. 27. – №. 11. – p. 41-46. 28. Yamashita R. et al. Convolutional neural networks: an overview and application in radiology //Insights into imaging. – 2018. – Ɍ. 9. – №. 4. – p. 611-629. 29. Voulodimos A. et al. Deep learning for computer vision: A brief review //Computational intelligence and neuroscience. – 2018. – Ɍ. 2018. 30. Nash W., Drummond T., Birbilis N. A review of deep learning in the study of materials degradation //npj Materials Degradation. – 2018. – Ɍ. 2. – №. 1. – p. 1-12. 31. Padmavathi G., Shanmugapriya D., Kalaivani M. Video pre-processing of image information for vehicle identification. – 2011. 32. Marchant J. A. 5.4 Machine Vision in the Agricultural Context. – 2006. 33. BlobFromImage. OpenCV. [Електронний ресурс] - Режим доступу: https://docs.opencv.org (дата звернення 29.11.2021). 34. Bradski G., Kaehler A. Learning OpenCV: Computer vision with the OpenCV library. – " O'Reilly Media, Inc.", 2008. 35. Simonyan K., Zisserman A. Very deep convolutional networks for largescale image recognition // arXiv preprint arXiv:1409.1556. – 2014. 36. He K. et al. Deep residual learning for image recognition // Proceedings of the IEEE conference on computer vision and pattern recognition. – 2016. – p. 770- 778. 37. Russakovsky O. et al. Imagenet large scale visual recognition challenge // International journal of computer vision. – 2015. – Ɍ. 115. – №. 3. – p. 211-252. 38. He K. et al. Identity mappings in deep residual networks // European conference on computer vision. – Springer, Cham, 2016. – p. 630-645. 39. Ning F. et al. Toward automatic phenotyping of developing embryos from videos // IEEE Transactions on Image Processing. – 2005. – Ɍ. 14. – №. 9. – p. 1360-1371. 40. Dubey S., Boragule A., Jeon M. 3D ResNet with Ranking Loss Function for Abnormal Activity Detection in Videos // 2019 International Conference on Control, Automation and Information Sciences (ICCAIS). – IEEE, 2019. – p. 1-6. 41. Ji S. et al. 3D convolutional neural networks for human action recognition // IEEE transactions on pattern analysis and machine intelligence. – 2012. – Ɍ. 35. – №. 1. – p. 221-231. 42. Yu G., Li T. Recognition of human continuous action with 3D CNN // International Conference on Computer Vision Systems. – Springer, Cham, 2017. – p. 314-322. 43. Bottou L. Large-scale machine learning with stochastic gradient descent // Proceedings of COMPSTAT'2010. – Physica-Verlag HD, 2010. – p. 177-186. 44. Vapnik V. N., Chervonenkis A. Y. On the uniform convergence of relative frequencies of events to their probabilities //Measures of complexity. – Springer, Cham, 2015. – p. 11-30. 45. Dennis Jr J. E. RB Schnabel Numerical methods for unconstrained optimization and nonlinear equations. – 1983. 46. Sari E., Nia V. P. Understanding BatchNorm in Ternary Training //Journal of Computational Vision and Imaging Systems. – 2019. – Ɍ. 5. – №. 1. – p. 21-28. 47. Kuehne H. et al. HMDB: a large video database for human motion recognition // 2011 International Conference on Computer Vision. – IEEE, 2011. –pɋ. 2556-2563. 48. Зеркалов Д.В. Безпека життєдіяльності та основи охорони праці. Навчальний посібник. К.: «Основа». 2016. 267 с. 49. Закон України «Про охорону праці». [Електронний ресурс] – Режим доступу: https://zakon.rada.gov.ua/laws/show/2694-12 - (дата звертання 06.12.2021). 50. Класифікатор професій ДК 003:2010/ [Електронний ресурс] – Режим доступу: https://zakon.rada.gov.ua/rada/show/va327609-10 - (дата звертання 07.12.2021). 51. Гігієнічна класифікація умов праці за показниками шкідливості та небезпечності факторів виробничого середовища, важкості та напруженості трудового процесу. – К.: МОЗ України, 1998. – 34 с. 52. Сакевич В.Ф., Поліщук О.В. Цивільна оборона. Теоретичні основи. Навчальний посібник. — Вінниця : ВНТУ, — 2009. — 136 с. |
| Content type: | Master Thesis |
| Asub kollektsiooni(de)s: | 122 — комп’ютерні науки |
Failid selles objektis:
| Fail | Kirjeldus | Suurus | Formaat | |
|---|---|---|---|---|
| Mag_2021_CHmz_Mykhayliv_M_V_.pdf | 1,84 MB | Adobe PDF | Vaata/Ava |
Kõik teosed on Dspaces autoriõiguste kaitse all.
Admin vahendid