Разработка метода выбора моделей машинного обучения распознавания объектов на изображениях с применением логики продукционных правил

На сегодняшний день технологии в области фото- и видеообработки данных значительно продвинулись, что позволило алгоритмам распознавания и классификации объектов достигать точности выше 90%. Такие прорывные решения стали широко использоваться в личных и профессиональных целях. Вместе с тем расширение областей применения данных решений привело к увеличению влияющих факторов и их вариаций. От таких факторов зависит качество получения и обработки изображений, включая динамику и деформацию объектов в кадре, что усложняет практическое применение соответствующих алгоритмов. Настоящая статья предлагает подход к разработке рекомендательной системы для выбора моделей машинного обучения в целях решения широкого спектра задач, связанных с обнаружением объектов в кадре изображения, полученных в различных условиях. Данный подход основан на механизме продукционных правил, которые формируются по результатам выполненных ранее исследований, а также анализа научных источников (статьи, репозитории научных программных библиотек и пр.). Результатом функционирования разрабатываемой системы является не просто перечень моделей глубокого обучения с указанием их релевантности к применению в задаче пользователя и априорными оценками значений метрик качества. Предлагаемый подход позволяет формировать предложения по созданию конвейеров машинного обучения и рекомендаций по установке и использованию соответствующих программных библиотек.