Browsing by Subject "Neuroverkot"
Now showing items 1-2 of 2
-
(2020)Uuden tieliikennelain mukanaan kunnille tuomat velvoitteet, kuten liikenteenohjaukseen käytetyn välineistön (esim. liikennemerkkien) ylläpitovastuu, siirtyy kunnille 1.6.2020. Kenttäinventoimalla suoritettava liikennemerkkien kunnon ja sijainnin selvittäminen on usein työlästä ja tuottaa kustannuksia. Tässä tutkimuksessa selvitetään, miten näitä voidaan automatisoidusti inventoida panoraamakuvilta. Samalla verrataan panoraamakuvien ja niistä luotujen osakokonaisuuksien (pilkottujen kuvien) soveltuvuutta kyseiseen tarkoitukseen. Tunnistuksen tuloksena syntyviä havaintoja verrataan Väyläviraston ylläpitämään avoimeen liikennemerkkiaineistoon sekä tunnistettujen kohteiden sijainti lasketaan kuvilta. Työssä tutustutaan myös eri kohteentunnistusalgoritmien toimintaan sekä selvitetään, miten liikennemerkkien automaattisessa tunnistuksessa on onnistuttu muissa tutkimuksissa. Aineistona toimii Inkoosta otettujen panoraamakuvien lisäksi Mapillaryn toimittamat kuva-aineistot, joita käytetään YOLOv3-kohteentunnistusalgoritmin koulutukseen ja testaukseen. Työssä esitellään myös YOLOv3-koulutuksen toteuttaminen ja käydään läpi tarvittavat ohjelmistot sen implementoinnissa toiseen työhön. Koulutus vaatii riittävän GPU:n lisäksi erilaisia ohjelmia sekä runsaasti kuva-aineistoa, jotta ylisovittamisen riskiltä vältytään. Tulosten perusteella pilkotut kuvat tuottavat paremman tuloksen verrattuna panoramakuviin. Pilkotuilta kuvilta jokainen ajoreitin varrella ollut kärkikolmio tunnistettiin, kun taas panoraamakuvilta tämä ei onnistunut. Lisäksi algoritmin kyky sijoittaa kärkikolmion sijainti kuvalle oli varsin hyvä saavuttaen keskimäärin IoU-arvon 0,86, kun se panoraamoilla oli 0,52. Samoin tulosten luotettavuutta kuvaavat Precision- ja Recall-arvot olivat huomattavasti korkeammat kuin panoraamakuvilla. Työssä havaittiin lisäksi, että Väyläviraston avoimesta aineistosta puuttuu useita kärkikolmioita. Kuvilta onnistuttiin myös laskemaan muutaman metrin tarkkuudella kärkikolmioiden sijainti maastossa. Tutkimuksen perusteella kohteentunnistusalgoritmit tuottavat merkittävää hyötyä kohteiden automaattisessa tunnistuksessa. Algoritmien hyödyntämistä tulevaisuudessa mahdollistaa lisääntyvä kuva-aineistojen määrä sekä laskentatehon kasvu. Hyödyntämällä kohteentunnistusalgoritmeja kuntien on mahdollista helpottaa uuden tieliikennelain velvoitteiden noudattamista. Tämän myötä algoritmien suosio voi kasvaa tulevaisuudessa. Kohteentunnistusalgoritmien implementointiin tarvitaan kuitenkin ohjeistusta ja käyttötapauksia, joita tämä tutkimus tuloksillaan edistää.
-
(2020)Sentimenttianalyysi on yksi tutkituimpia luonnollisen kielen käsittelyn linjoja, jonka modernimpeihin työkaluihin kuuluu neuroverkot. Alan alle on syntynyt haastavampi luokittelutehtävä, jonka tavoitteena on perinteisen positiivisen, neutraalin ja negatiivisen arvion lisäksi tunnistaa tekstistä tunnetiloja, kuten surua, iloa tai vihaa ja rakkautta. Siinä missä sentimenttianalyysin polaarisuuden tutkimuksessa etsitään vain kolmea luokkaa, tunnetiloja on useimpien teorioiden mukaan olemassa yli kuutta erilaista, mikä kasvattaa eri ratkaisujen määrää eksponentiaalisesti, ja tekee moniluokittelutehtävästä haastavamman. Tutkimusongelma on kiinnostava, sillä automaattisilla algoritmeilla pystytään käsittelemään valtavia määriä tekstiä vain muutamissa sekunneissa, ja luomaan lopputuloksena tiivistelmiä, jotka kertovat, millaisista asioista tekstissä puhutaan. Tällaiset työkalut ovat hyödyllisiä esimerkiksi yrittäjille, joiden halu on ymmärtää omia ja tulevia asiakkaitaan paremmin. Ihmiset tuottavat paljon tekstiä päivittäin sosiaalisen median kautta, ja toisinaan antavat palautetta myös suoraan yrityksille; jos nämä eri lähteet pystytään tiivistämään helposti ymmärrettäviksi kuvaajiksi ja luvuiksi, saadaan tärkeää tietoa siitä, millaiset tarpeet ohjaavat ihmisten ostokäyttäytymistä. Tutkielmassa tutustutaan neuroverkkoihin ja tilastollisiin menetelmiin, joilla tunteita voidaan havaita tekstistä automaattisesti. Soveltavassa osiossa luodaan muutaman aikansa tuloksellisemman koneoppimisarkkitehtuurin avulla malli, jonka opetusaineistona käytetään vuoden 2018 SemEval-tehtävän 10 tuhatta käsinluokiteltua Twitterjulkaisua. Tavoitteena on kuvata mallinnusprosessi ja siihen liittyvät oletukset ja lopuksi näyttää, että prosessilla saatavien mallien ennustustarkkuus on hyvä, ja lisäksi osoittaa, että esikoulutettujen koneoppimismallien ennustustarkkuus on sanapohjaisia malleja parempi. Lopputuloksena saadaan uutta BERT-arkkitehtuuria käyttävä malli, joka saavuttaa vuoden 2018 SemEval -tehtävän muiden kilpailevien mallien suoritustason.
Now showing items 1-2 of 2