Detekcja rzutu kośćmi do gry z użyciem sieci neuronowych

• Autorzy: Szadkowski Rafał Maciej , Dąbal Paweł

Identyfikatory

DOI

10.15199/13.2020.7.6

Warianty tytułu

EN

Detection of the dice roll with use of neural networks

• Języki publikacji: PL

Abstrakty

PL

Sztuczne sieci neuronowe stanowią obszerny zbiór zagadnień, które mogą być użyte w wielu dziedzinach nauki. Bardzo popularnym ich zastosowaniem jest przetwarzanie i kategoryzacja obrazów. W artykule tym opisano w jaki sposób wykonano i przebadano praktyczną realizację klasyfikatora obiektów z użyciem tychże sieci. Opisany został problem klasycznego detektora obiektów, który następnie posłużył do przygotowania bazy treningowej, ale również jako składowa ostatecznej implementacji algorytmu. Przedstawiono również w jaki sposób przygotowane zostały dane treningowe użyte do wyszkolenia sieci oraz w jaki sposób została wybrana architektury sieci neuronowej. W ostatniej części przedstawiono wyniki przeprowadzonych badań. Wskazano zaobserwowane wady i zalety takiego podejścia do rozwiązania problemu.

EN

Neural networks are very broad research issue, they find their way into many fields of science. Probably their most popular implementation is met in image processing and classification. This paper describes how to practically implement such classifier based on neural networks. First part describes classical object detector, used later to build a training data set, but also as a part of final product used to process images. Paper describes how aforementioned data set was prepared and how architecture of neural network has been chosen. In the last part there are result of run tests, as well as pros and cons of such solution to the problem.

Słowa kluczowe

PL

sieci neuronowe; klasyfikacja obrazów; rozpoznawanie obrazów; przetwarzanie obrazów

EN

heart rate; muscle tone; temperature; blood pressure; breathing; photoplethysmography

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Elektronika : konstrukcje, technologie, zastosowania
• Rocznik: 2020
• Tom: Vol. 61, nr 7
• Strony: 26--29
• Opis fizyczny: Bibliogr. 9 poz., rys., wykr.

Twórcy

autor

Szadkowski Rafał Maciej

• Wojskowa Akademia Techniczna, Wydział Elektroniki, Warszawa

autor

Dąbal Paweł

• Wojskowa Akademia Techniczna, Wydział Elektroniki, Warszawa

Bibliografia

• [1] Alex Krizhevsky, Ilya Sutskever, Geoffrey E. Hinton (2017) “ImageNet Classification with Deep Convolutional Neural Networks”. Communications of the ACM 60 (6): 84-90 DOI: 10.1145/3065386.
• [2] Nadeem Tariq. (2017) „Breast Cancer Detection using Artifical Neural Networks”. Journal of Molecular Biomarkers & Diagnosis 9 (1) DOI: 10.4172/2155-9929.1000371.
• [3] David Silver, Aja Huang, Chris Maddison, et al. (2016) “Mastering the game of Go with deep neural networks and tree search”. Nature 529: 484–489 DOI: 10.1038/nature16961.
• [4] Davide Pesce (2019) “Reading dice with OpenCV – Part 1”, davidepesce.com, www.davidepesce.com/2019/09/06/dicereader-part-1/. Ostatnio odwiedzono: 02.07.2020.
• [5] OpenCV. www.opencv.org. Ostatnio odwiedzono: 02.07.2020.
• [6] TensorFlow. www.tensorflow.org. Ostatnio odwiedzono: 02.07.2020.
• [7] Satoshi Suzuki, Keiichi Abe. (1985) „Topological Structural Analysis of Digitized Binary Images by Border Following”. Computer Vision, Graphics, and Image Processing 30: 32-46.
• [8] LeCun Yann, Corinna Cortes, Burges Christopher J.C. „The MNIST DATABASE of handwritten digits”. www.yann.lecun.com/exdb/mnist/. Ostatnio odwiedzono: 02.07.2020
• [9] Torralba Antonio, Fergus Rob, Freeman William T. (2008). „80 Million Tiny Images: A Large Data Set for Nonparametric Object and Scene Recognition”. IEEE Transactions on Pattern Analysis and Machine Intelligence 30 (11): 1958-1970.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2020).