АЛГОРИТМ ПАРАЛЕЛІЗАЦІЇ КЛАСИФІКАЦІЇ ЗОБРАЖЕНЬ ЗА НАПРЯМКОМ “SMART HOUSE SECURITY ”

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