ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ ДЛЯ СОЗДАНИЯ СИНТЕЗИРОВАННЫХ ДАННЫХ И СИМУЛЯТОР С ОБРАТНОЙ СВЯЗЬЮ ДЛЯ ТЕСТИРОВАНИЯ АЛГОРИТМОВ МАШИННОГО ОБУЧЕНИЯ
Автор: А. Г. Лапушкин, Д. А. Гаврилов, О. А. Поткин
Журнал: Научное приборостроение @nauchnoe-priborostroenie
Рубрика: Математические методы и моделирование в приборостроении
Статья в выпуске: 1, 2023 года.
Бесплатный доступ
В настоящей работе представлено программное обеспечение, позволяющее создавать новые данные для обучения и проверять уже имеющиеся алгоритмы в режиме симуляции. Разработанная программа позволяет производить наборы связанных данных, в том числе совместные наборы данных видимого и инфракрасного диапазонов, полученных с помощью одной камеры или стереопары, дополнительной информации в виде лидарных данных или карты глубины, сегментационной картины, данных о расположении интересующих объектов на фото или видеоизображении. Структура разработанного программного обеспечения позволяет осуществлять дальнейшее усовершенствование подходов и возможностей доработки получившегося конвейера под разные цели и задачи.
Машинное обучение, обучающие выборки, обучение нейросетевых алгоритмов, тестирование алгоритмов, симулятор
Короткий адрес: https://sciup.org/142236955
IDR: 142236955 | УДК: 004.05, 004.932.2
SYNTHESIZED DATA CREATION SOFTWARE AND FEEDBACK SIMULATOR FOR TESTING MACHINE LEARNING ALGORITHMS
This paper presents software that allows the creation of new training data and tests existing algorithms in simulation mode. The developed program allows obtaining related data sets, including combined sets of the visible and infrared ranges using a single camera or stereo pair, additional information in the form of lidar data or a depth map, a segmentation pattern, and data on the location of objects of interest in a photo or video image. The structure of the developed software allows for further improvement of the approaches and possibilities for finalizing the resulting pipeline for different purposes and tasks.
Список литературы ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ ДЛЯ СОЗДАНИЯ СИНТЕЗИРОВАННЫХ ДАННЫХ И СИМУЛЯТОР С ОБРАТНОЙ СВЯЗЬЮ ДЛЯ ТЕСТИРОВАНИЯ АЛГОРИТМОВ МАШИННОГО ОБУЧЕНИЯ
- 1. Medvedev M., Kadhim A., Brosalin D. Developmentof the Neural-Based Navigation System for a Ground-Based Mobile Robot // 7th International Conference on Mechatronics and Robotics Engineering, ICMRE 2021. 2021.
- P. 35–40. DOI: 10.1109/ICMRE51691.2021.9384825
- 2. Кафтанников И.Л., Парасич А.В. Проблемы формирования обучающей выборки в задачах машинного обучения // Вестник ЮУрГУ. Серия "Компьютерные технологии, управление, радиоэлектроника". 2016. Т. 16, № 3. С. 15–24. DOI: 10.14529/ctcr160302
- 3. Roh Y., Heo G., Whang S.E. A survey on data collection for machine learning: a big data AI integration perspective // IEEE Transactions on Knowledge and Data Engineering. 2021. Vol. 33, is. 4. P. 1328–1347 DOI: 10.1109/TKDE.2019.2946162
- 4. Гаврилов Д.А., Щелкунов Н.Н. Программное обеспечение разметки крупноформатных аэрокосмических изображений и подготовки обучающих выборок // Научное приборостроение. 2020. Т. 30, № 2. С. 67–75. URL: http://iairas.ru/mag/2020/abst2.php#abst9
- 5. Гаврилов Д.А. Программно-аппаратный комплекс тестирования алгоритмов детектирования и локализации объектов в видеопоследовательностях // Научное приборостроение. 2019. Т. 29, № 1. С. 149–156. URL: http://iairas.ru/mag/2019/abst1.php#abst22
- 6. Лапушкин А.Г., Гаврилов Д.А., Щелкунов Н.Н., Бакеев Р.Н. Основные подходы к подготовке визуальных данных для обучения нейросетевых алгоритмов // Искусственный интеллект и принятие решений. 2021. № 4. С. 62–74. DOI: 10.14357/20718594210406
- 7. Писарева О.М., Алексеев В.А., Медников Д.Н., Стариковский А.В. Характеристика зон уязвимости и источников угроз информационной безопасности эксплуатации беспилотных автомобилей в интеллектуальной транспортной системе // Научно-технические ведомости СПбГПУ. Экономические науки. 2021. Т. 14, № 4. С. 20–36. DOI: 10.18721/JE.14402
- 8. Li L., Huang W.-L., Liu Y., Zheng N.-N., Wang F.-Y. Intelligence testing for autonomous vehicles: a new approach //
- IEEE Transactions on Intelligent Vehicles. 2016. Vol. 1, is. 2. P. 158–166. DOI: 10.1109/TIV.2016.2608003
