Архитектура систем искусственного интеллекта

# Проектная работа по дисциплине "Архитектура систем ИИ"

# Автор: Строкова Анастасия (P4140)

# Решение задачи super-resolution с помощью нейронной сети

# Часть 1. Определение границ проекта

# Цель - создание инструмента для апробации и сравнения архитектур нейронных сетей, нацеленных на получение изображений сверхвысокого разрешения (Super – Resolution) фотографий, сделанных на непрофессиональную камеру.

# Задачи:

  1. Проанализировать найденный датасет.
  2. Спроектировать архитектуру системы искусственного интеллекта.
  3. Подготовить данные для обучения нейронных сетей EDSR (Enhanced Deep Residual Networks for Single Image Super-Resolution), RDN (Residual Dense Network) и SRGAN (Single Image Super-Resolution using a Generative Adversarial Network).
  4. Обучить модель на основе обучающей выборки и провести оценку полученных результатов.
  5. Подготовить тестовый набор данных и провести оценку полученных результатов на данном наборе.
  6. Выбрать оптимальную модель нейронной сети для решения задачи Super-Resolution, исходя из качества и скорости работы алгоритмов.
  7. Выполнить развертывание наилучшей модели.

# Характеристика датасета

Датасет содержит 1000 изображений в каждой категории (800 изображений в обучающей выборке и по 100 изображений в валидационной и тестовой):

  • Изображения High-Resolution
  • Уменьшенные изображения интерполяцией, коэффициент x2
  • Уменьшенные изображения интерполяцией, коэффициент x3
  • Уменьшенные изображения интерполяцией, коэффициент x4
Рисунок 1. Распределение первых 10-ти фотографий относительно параметров Entropy и Complexity Рисунок 2. Увеличение Complexity с уменьшением изображения (черный - x4, зеленый - x3, красный - x2, синий - HR) Рисунок 3. Уменьшение Entropy с уменьшением изображения (черный - x4, зеленый - x3, красный - x2, синий - HR)

# Демонстрация целесообразности использования выбранного датасета

  • Датасет имеет достаточный объем для обучения модели, решающий задачу Super-Resolution
  • Датасет содержит изображений разных категорий (природа, животные, улицы, люди и др.)
  • Интерполяция позволяет постепенно уменьшить изображения, тем самым дав алгоритму отследить расположение пикселей, о чем готовит точечная диаграмма на рисунке 1

# Источники

# Часть 2. Разработка архитектуры системы

# UML-диаграммы

# Диаграмма активностей
Рисунок 4. Диаграмма активностей
# Диаграмма компонентов
Рисунок 5. Диаграмма компонентов
# Диаграмма развертывания
Рисунок 6. Диаграмма развертывания