АЛГОРИТМ ПАРАЛЕЛІЗАЦІЇ КЛАСИФІКАЦІЇ ЗОБРАЖЕНЬ ЗА НАПРЯМКОМ “SMART HOUSE SECURITY ”

Анотація

Було проаналізовано велику кількість літературних джерел щодо доцільності вибору саме моделі CNN. В них описувались всі сильні сторони даної структури нейронної мережі. Розглядається задача класифікації за допомогою нейронної моделі CNN та OpenCV. За допомогою OpenCV можна обробляти відеопотоки у реальному часі, а вже за допомогою тренованої моделі класифікувати розкадровані зображення. Таким чином ціллю дослідження є моделювання архітектури моделі таким чином, щоб мінімізувати час класифікації та збільшити її точність. Також покращити швидкість класифікації можна за допомогою багатопоточності. Для повного аналізу дослідження слід розглянути принцип роботи CNN. Це клас глибоких нейронних згорткових мереж, які можуть розпізнавати і класифікувати певні ознаки зображень і широко використовуються для аналізу візуальних образів. У ході проведення експериментів використовується модель класифікації CNN. Для порівняння результатів підібрані різні параметри. Такі як оптимайзери та кількості епох, щоб отримати інформацію про найоптимальніші варіанти. Під час проведення експериментів відбувались тренування з різними розмірами епох та оптимайзерами. Для покращення швидкості було підібрано 2 найбільш результативні, а саме “Adam” та “RMSProp”, тому що при виборі інших – точність різко падала до значень менше 40%.Для визначення ефективності одного над іншим, ми виконували тренування та класифікацію зображень з однаковими параметрами. При збільшенні кількості епох можна помітити позитивну динаміку по точності і негативну динаміку по втратах на обох моделях при зільшенні кількості епох. Це підтверджує результативність СNN для свого прямого призначення, а саме класифікації зображень. Також у роботі були проведені експерименти над розміром зображення. В результаті даного експерименту час тренування зменшився ще на 8 с на одній епосі, на основі того, що розмір вхідної матриці пікселів зображення став меншим. Також проведені експеременти довели, що при оптимальному підборі розміру зображення можна також збільшити швидкість обробки. Після підбору усіх оптимальних вхідних параметрів нейронної мережі був проаналізований процес розпаралелелення класифікації. В роботі пропонуються способи оптимізації моделі.