Metric learning for cars by set of images using convolutional neural networks

Abstract

Данная выпускная квалификационная работа посвящена изучению способности свёрточных нейронных сетей решать задачу верификации автомобилей по наборам изображений. Для этого используются архитектуры, решающие задачи детектирования и сегментации, а также архитектура, позволяющая задать метрику на множестве наборов изображений. В первой главе содержатся теоретические сведения о нейронных сетях, определения и алгоритмы, способствующие пониманию данной работы; во второй главе предлагаются различные архитектуры для решения поставленной задачи и описываются имеющиеся данные; в третьей главе описывается способ обучения этих архитектур и результаты этого обучения. Анализ результатов доказывает способность свёрточных нейронных сетей выполнять предложенную задачу на имеющемся наборе данных и помогает выбрать оптимальную архитектуру.

This thesis deals with study of the ability of convolutional neural networks to solve the problem of cars verification by image sets. For this purpose, neural nets are used that solve the tasks of object detection and instance segmentation, as well as the architecture for distance metric learning. The first chapter contains theoretical information about neural networks, definitions and algorithms that help to understand this work; the second chapter offers different architectures for this task and describes the available data; the third chapter describes the way of training these architectures and the results of this training. The analysis of the results proves the ability of the convolution neural networks to perform the proposed task on the available dataset and helps to choose the optimal architecture.