U-Net используется во многих конкурсах по сегментации изображений, ввиду чего для обучения была выбрана именно она. Преимущество в том, что в данной модели можно использовать небольшой набор данных и получить хороший результат. Также U-Net быстро обучается. U-Net сжимает исходную картинку, а далее пытается восстановить из него маску.
@michael108 точно не берусь утверждать, что библиотека идеальна, она успешно охватывает определенный круг задач, как и любой другой модуль. Мы рассматриваем настраиваемый поиск с помощью парсера, где можно указать собственные правила, опираясь на закономерности указания имен.
«Мусор» встречается из-за обобщенных правил, которые указывают, что в тексте может встретиться, например, только фамилия. Для ее поиска в коде «NameExtractor» указывается правило – «слово с заглавной буквы». И парсер найдет всё, что попадает под это указание. Можно ограничить поиск еще одним правилом вроде «оканчивается на –ов/-ова/-ко». Это – пользовательская настройка, которую нужно писать самостоятельно.
Интерес разработчиков был скорее оставить ложноположительные вхождения, нежели отсечь ложноотрицательные вместе с истинно отрицательными. Сущности вроде имен и фамилий в принципе сложно найти механически, если у них нет статичного окружения. В таких случаях мы обращаемся к ML.
Не берусь делать однозначные выводы относительно качества работы их модели для NER на разных объемах и структуре текста. Она обучена на новостях и художественной литературе, что охватывает далеко не весь спектр жанров письменной речи.
Так же какое-то время искал возможность сохранить карты, но времени было мало на поиски, поэтому быстро сделал на онлайн. Если кто-нибудь знает секрет и поделится, буду признателен)
Добрый день! Так же хочу попросить отнестись к этой статье как к чему-то более абстрактному и благодарю за уточнения. В реальных исследованиях выделение дополнительных компонент временного ряда это, наверное, один из самых важных моментов.
Добрый день! В начале статьи говорится о том что генезис не имеет значения. Это не решение прикладной задачи, а создание простейшей модели, которая ни на что не претендует. Отнеситесь к этому как к чему-то более абстрактному и спасибо за Ваши уточнения)
Добрый день! Именно. Поэтому существуют другие компоненты, выделяемые у временных рядов и разные способы их исследования. Но, как говорил мой преподаватель эконометрики: «Прогнозирование - это лишь попытка человеком постелить себе соломку, не зная куда придется падать».
Добрый день! Почти у всех систем для борьбы с сонливостью есть те или иные недостатки. Отслеживание полосы не будет работать на дорогах без разметки, отслеживание характера езды тоже будет иметь погрешности, т.к. есть водители достаточно агрессивные, а есть люди которые только что получили права и опыта ещё совсем мало для быстрой реакции на происходящее на дороге. Я думаю максимальную пользу можно извлечь при использовании всех этих методов в совокупности.
Добрый день! Детектор сонливости может работать в различных условиях, в том числе под прямыми солнечными лучами при движении по дороге и при слабом / искусственном освещении в бетонном гараже.
После нескольких простых тестов разработанная система была протестирована на дороге в реальных условиях. Поскольку водить машину с закрытыми глазами даже на секунду опасно, были приняты особые меры предосторожности, которые позволили гарантировать, что единственным человеком, которому может быть причинен вред во время эксперимента, был автор данной работы.
На данный момент у разработанного приложения есть много ограничений. Самое большое из них – неспособность обнаружить глаза при слабом освещении. Большинство случаев сонливости случается ночью, и эффективность программы в темноте невысока. Другим ограничением является задержка по времени между счётом времени, в течение которого глаза были закрыты, и сигналом тревоги. За счёт включения более качественного оборудования можно повысить общую эффективность системы.
Будущие направления исследования могут быть связаны с тем, что в разработанное приложение в качестве отдельных методов также будут включены многие другие физиологические факторы сонливости, такие как частота сердечных сокращений, обнаружение зевоты, процент закрытия глаз, частота моргания, утомляемость и режим сна. Это позволит повысить эффективность программы и, в свою очередь, поможет снизить количество несчастных случаев на дороге, вызванных сонливостью водителя.
Использовался готовый датасет с масками объектов
Открываем Anaconda или PyCharm, и начинаем писать код
U-Net используется во многих конкурсах по сегментации изображений, ввиду чего для обучения была выбрана именно она. Преимущество в том, что в данной модели можно использовать небольшой набор данных и получить хороший результат. Также U-Net быстро обучается. U-Net сжимает исходную картинку, а далее пытается восстановить из него маску.
Парсер – механический поиск. Нужно указывать все формы, если они нужны Вам в результате поиска. В том числе, развернутые аббревиатуры.
@michael108 точно не берусь утверждать, что библиотека идеальна, она успешно охватывает определенный круг задач, как и любой другой модуль. Мы рассматриваем настраиваемый поиск с помощью парсера, где можно указать собственные правила, опираясь на закономерности указания имен.
«Мусор» встречается из-за обобщенных правил, которые указывают, что в тексте может встретиться, например, только фамилия. Для ее поиска в коде «NameExtractor» указывается правило – «слово с заглавной буквы». И парсер найдет всё, что попадает под это указание. Можно ограничить поиск еще одним правилом вроде «оканчивается на –ов/-ова/-ко». Это – пользовательская настройка, которую нужно писать самостоятельно.
Интерес разработчиков был скорее оставить ложноположительные вхождения, нежели отсечь ложноотрицательные вместе с истинно отрицательными. Сущности вроде имен и фамилий в принципе сложно найти механически, если у них нет статичного окружения. В таких случаях мы обращаемся к ML.
Не берусь делать однозначные выводы относительно качества работы их модели для NER на разных объемах и структуре текста. Она обучена на новостях и художественной литературе, что охватывает далеко не весь спектр жанров письменной речи.
Спасибо за хорошую статью
Так же какое-то время искал возможность сохранить карты, но времени было мало на поиски, поэтому быстро сделал на онлайн. Если кто-нибудь знает секрет и поделится, буду признателен)
Обращу внимание, спасибо
Имеете в виду, через GMap так же или что-то еще?
Добрый день! Так же хочу попросить отнестись к этой статье как к чему-то более абстрактному и благодарю за уточнения. В реальных исследованиях выделение дополнительных компонент временного ряда это, наверное, один из самых важных моментов.
Добрый день! В начале статьи говорится о том что генезис не имеет значения. Это не решение прикладной задачи, а создание простейшей модели, которая ни на что не претендует. Отнеситесь к этому как к чему-то более абстрактному и спасибо за Ваши уточнения)
Добрый день! Именно. Поэтому существуют другие компоненты, выделяемые у временных рядов и разные способы их исследования. Но, как говорил мой преподаватель эконометрики: «Прогнозирование - это лишь попытка человеком постелить себе соломку, не зная куда придется падать».
Добрый день! Статья нацелена на развитие понимания основ работы подобных методов. Спасибо за проявленное внимание)
Добрый день! Да, верно, к сожалению, на данном этапе можно работать только с «рукопечатным текстом» из-за особенностей работы алгоритма сегментации.
Идея хорошая, можно попробовать использовать данное решение в следующих тестах.
Добрый день! Почти у всех систем для борьбы с сонливостью есть те или иные недостатки. Отслеживание полосы не будет работать на дорогах без разметки, отслеживание характера езды тоже будет иметь погрешности, т.к. есть водители достаточно агрессивные, а есть люди которые только что получили права и опыта ещё совсем мало для быстрой реакции на происходящее на дороге. Я думаю максимальную пользу можно извлечь при использовании всех этих методов в совокупности.
Добрый день! Датасет, к сожалению, предоставить не можем, т.к. он предназначен для внутреннего использования.
Обучали на TensorFlow в Colab, квоты на GPU хватило, обычно занимало 3-4 часа (100-150 эпох) с учетом ускоренной загрузки изображений через БД.
Архитектура 5xCNN/2xLSTM/CTCLoss. Результат также зависит от используемого декодера, мы использовали BestPath и BeamSearch.
Добрый день! Детектор сонливости может работать в различных условиях, в том числе под прямыми солнечными лучами при движении по дороге и при слабом / искусственном освещении в бетонном гараже.
После нескольких простых тестов разработанная система была протестирована на дороге в реальных условиях. Поскольку водить машину с закрытыми глазами даже на секунду опасно, были приняты особые меры предосторожности, которые позволили гарантировать, что единственным человеком, которому может быть причинен вред во время эксперимента, был автор данной работы.
На данный момент у разработанного приложения есть много ограничений. Самое большое из них – неспособность обнаружить глаза при слабом освещении. Большинство случаев сонливости случается ночью, и эффективность программы в темноте невысока. Другим ограничением является задержка по времени между счётом времени, в течение которого глаза были закрыты, и сигналом тревоги. За счёт включения более качественного оборудования можно повысить общую эффективность системы.
Будущие направления исследования могут быть связаны с тем, что в разработанное приложение в качестве отдельных методов также будут включены многие другие физиологические факторы сонливости, такие как частота сердечных сокращений, обнаружение зевоты, процент закрытия глаз, частота моргания, утомляемость и режим сна. Это позволит повысить эффективность программы и, в свою очередь, поможет снизить количество несчастных случаев на дороге, вызванных сонливостью водителя.
Добрый день! Да может, но для случаев с обычным засыпанием водителя с закрытыми глазами (которых большинство), данная система будет работать.
Добрый день, можно закрепить камеру в верхней части лобового стекла или на козырьке панели приборов.