Grigorii-Ilin/Pattern-recognition
This commit does not belong to any branch on this repository, and may belong to a fork outside of the repository.
Folders and files
Name | Name | Last commit message | Last commit date | |
---|---|---|---|---|
Repository files navigation
Лабораторная работа №1 1. С помощью Python и морфологических функций Opencv (cv2.erode, cv2.dilate, cv2.morphologyEx) написать скрипт, принимающий на вход путь к файлу с цветным сканом газеты из датасета и возвращающий изображение с бинарной маской. Макса должна отмечать, какие фрагменты газеты – рисунки и фото. Примеры: Один и тот же скрипт должен корректно обрабатывать большинство сканов датасета. 2. Усложненный вариант. Написать скрипт, который с помощью функций морфологии будет выделять подобную маску, но для текста, а не для рисунков. Лабораторная работа #2 1. С помощью Python и OpenCV написать скрипт, который принимает два изображения и с помощью алгоритма SIFT или SURF оценивает, изображен ли на них один и тот же объект. Скрипт должен сопоставлять ключевые точки на двух изображениях или отчитываться, что объекты на изображениях не совпадают. Пример визуализации результата: 2. С помощью этого скрипта написать программу, которая при получении изображеня из датасета Adobe Panoramas будет находить всех её “соседей” в папке (все фото из той же панорамы, на которых расположен тот же объект или фрагмент этого объекта). 3. Усложненный вариант Написать программу, восстанавливающую панораму из фотографий датасета Adobe Panoramas. Пример результата (восстановление из двух изображений) Лабораторная работа №3 1. С помощью Python и scikit-learn обучить модель логистической регрессии на распознавание рукописных чисел из датасета MNIST. Точность распознавания на тестовой выборке должна быть не менее 90%. 2. Используя этот классификатор написать скрипт, определяющий число на заданном изображении из датасета MNIST. Вывести несколько примеров неверно распознанных чисел. Лабораторная работа №4 С помощью Python и библиотеки Keras написать сверточную нейронную сеть для классификации изображений из датасета MNIST. Точность распознавания должна быть не менее 90% на тестовой выборке.
About
7'th semester
Resources
Stars
Watchers
Forks
Releases
No releases published
Packages 0
No packages published