Анализ степени пригодности открытых баз данных аннотированных изображений для глубокого обучения нейросетей в задачах обеспечения информационно-психологической безопасности
Автор: Гнидко Константин Олегович, Еремеев Михаил Алексеевич, Пилькевич Сергей Владимирович, Сабиров Тимур Римович
Рубрика: Управление сложными системами
Статья в выпуске: 1, 2021 года.
Бесплатный доступ
Представлена методика проведения анализа степени пригодности открытых баз данных аннотированных изображений для глубокого обучения нейросетей с целью обеспечения информационно-психологической безопасности пользователей сети Интернет. Проведено исследование соответствия модели представления и распознавания визуальных образов сверточными нейронными сетями и особенностей зрительного восприятия этих изображений человеком. Осуществлен сравнительный анализ результатов экспериментальных исследований по визуализации карт признаков обученной сверточной сети и точек фиксации взгляда испытуемых для одних и тех же визуальных стимулов. Предложены подходы к повышению качества результатов подобных исследований в дальнейшем.
Сверточные нейросети, машинное обучение, информационно-психологическая безопасность, сеть интернет, аннотированные изображения
Короткий адрес: https://sciup.org/148321538
IDR: 148321538 | DOI: 10.25586/RNU.V9187.21.01.P.111
Список литературы Анализ степени пригодности открытых баз данных аннотированных изображений для глубокого обучения нейросетей в задачах обеспечения информационно-психологической безопасности
- Гнидко К.О., Ломако А.Г. Экспериментальное исследование бессознательных реакций потребителей мультимедийного контента на эмоционально значимые визуальные стимулы // Материалы 29-й Науч.-практ. конф. 29-30 сентября 2020 г. СПб.: Изд-во Политехнического университета, 2020. С. 21-23.
- Dan-Glauser E.S., Scherer K.R. The Geneva Affective Picture Database (GAPED): a New 730-picture Database Focusing on Valence and Normative Significance // Behavior Research Methods. Springer. 2011. Vol. 43, no. 2. Pp. 468-477.
- Deng J., Dong W., Socher R., Li L.-J. et al. Imagenet: A Large-Scale Hierarchical Image Database // 2009 IEEE Conference on Computer Vision and Pattern Recognition. IEEE, 2009. Pp. 248-255.
- Kindel W.F., Christensen E.D., Zylberberg J. Using Deep Learning to Reveal the Neural Code for Images in Primary Visual Cortex / ArXiv.org - Cornell University [Digital Resource]. - URL: https://arxiv.org/abs/1706.06208 (Date of the Application: 10.11.2020).
- Pilkevich S.V., Gnidko K.O. Formation of the System of Signs of Potentially Harmful Multimedia Objects // Intelligent Distributed Computing XIII / ed. Kotenko I.V. et al. Cham: Springer International Publishing, 2020. Pp. 266-271.
- Qassim H., Verma A., Feinzimer D. Compressed Residual-VGG-16 CNN Model for Big Data Places Image Recognition // 2018 IEEE 8th Annual Computing and Communication Workshop and Conference (CCWC). IEEE, 2018. Pp. 169-175.
