Автоматично разпознаване на облекло и социална принадлежност в снимки | Защитена на: 01/01/1900

Дипломната работа има за цел разработването и тестването на модел за класификация на изображения, който да разпознава три основни категории: тип на обекта (напр. градски), вид на облеклото (напр. униформа) и пол на
изобразените лица (мъж или жена). Бяха използвани черно-бели снимки от Троянския музей, съдържащи едно или повече лица в различен изглед (портрет, цял ръст) и облекла, което постави предизвикателства пред класификацията поради спецификите на историческите изображения и качеството на снимките.

За изпълнение на задачата беше приложена конволюционна невронна мрежа (CNN), която е доказано ефективна при разпознаване на обекти и лица в изображения. Моделът беше структуриран с многозадачна архитектура, което позволи едновременното разпознаване на обектите по всяка от трите категории. Снимките бяха предварително обработени и анотирани за всяка категория, за да се постигне оптимално представяне при обучение и тестване. Разработен е графичен потребителски интерфейс (UI), който осигурява лесно зареждане на изображения и визуализиране на резултатите, а изображенията бяха предварително обработени и анотирани за всяка категория.

Оценката на модела се извърши чрез няколко ключови метрики: точност (accuracy), матрица на объркванията (confusion matrix), прецизност (precision), чувствителност (recall) и F1-оценка. Точността измерва колко правилно моделът класифицира изображенията в трите категории, а матрицата на объркванията
помогна за идентифициране на класовете, при които моделът най-често греши, например между близки видове облекло. F1-оценката беше използвана като обобщаваща метрика, балансираща прецизността и чувствителността при задачи с различно разпределение на класовете.

Резултатите показаха удовлетворителни стойности на точност, особено при класификацията на пола, където беше постигната точност над 90%. При по-трудните за разграничаване класове, като близки типове облекло, моделът демонстрираше някои затруднения, което насочи към необходимостта от оптимизация и допълнително разширяване на набора от данни. В заключение, моделът показа стабилно представяне при класификация на исторически изображения и предостави основа за бъдещи надграждания и усъвършенствания.