Тезисы к вопросу методологии программного обеспечения применения технологии нейросетевого аппарата распознавания
Автор: Золкин Александр Леонидович, Тормозов Владимир Сергеевич, Гуменникова Юлия Валериевна, Степина Ирина Васильевна
Рубрика: Информатика и вычислительная техника
Статья в выпуске: 4, 2022 года.
Бесплатный доступ
Рассматривается общая проблема задачи локализации и классификации объектов в растровых изображениях. На данный момент не существует универсальных методов и технологий, позволяющих идеально решить задачу локализации и классификации объектов на изображении. Проанализированы наиболее популярные и актуальные методы для локализации и классификации объектов на изображении. Разработан и приведен алгоритм технологии распознавания. Продемонстрированы результаты работы программы. Обобщена целевая карта использования алгоритмического метода. Для решения задач, поставленных в рамках данного исследования, было принято решение использовать дескрипторы HOG&SVM в модуле локализации, а локализованное изображение передавать на CNN, реализующие модуль классификации. Рассматривается и обосновывается алгоритм выработки собственной модели проектирования технологии распознавания, базирующейся на методологии применения нейросетевого аппарата в программном обеспечении.
Методы распознавания, вычислительное моделирование, инжиниринг, сверточные нейронные сети, задачи классификации и локализации
Короткий адрес: https://sciup.org/148325186
IDR: 148325186 | DOI: 10.18137/RNU.V9187.22.04.P.129
Список литературы Тезисы к вопросу методологии программного обеспечения применения технологии нейросетевого аппарата распознавания
- Чирков М., Лачинина Т., Чистяков М. Знания и информация как синергия платформенного подхода цифровизации глобального развития // Свободная мысль. 2020. № 5 (1683). С. 37–44. DOI: 10.24411/0869-4435-2020-00003.
- Ciresan D. C., Meier U., Masci J., Schmidhuber J. (2011) A committee of neural networks for traffic sign classification. In International Joint Conference on Neural Networks, 4 p.
- Delfani F., Samanipour H., Beiki H., Yumashev A., Akhmetshin E. (2020) A robust fuzzy optimization for a multi-objective pharmaceutical supply chain network design problem considering reliability and delivery time. International Journal of Systems Science: Operations and Logistics, pp. 1–25. DOI: 10.1080/23302674.2020.1862936.
- Habibi Aghdam H, Jehani Heravi. E. (2017) Guide to Convolutional Neural Networks a Practical Application to Traffic-Sign Detection and Classification, 282 p.
- Jain V. and Seung S. H. (2008) Natural image denoising with convolutional networks, 8 p.
- Liu C.-L., Yin F., Wang Q.-F., Wang D.-H. (2011) ICDAR 2011 chinese handwriting recognition competition. International Conference on Document Analysis and Recognition, pp. 1464–1469.
- Mark Summerfield (2009) Programming in Python 3: a complete introduction to the Python language, 636 p.
- Melin P. (2015) Design of Intelligent Systems Based on Fuzzy Logic, Neural Networks and Nature-Inspired Optimization. Patricia Melin, Oscar Castillo, JanuszKacprzyk. Springer International Publishing, 637 p.
- Ronan C., Jason W. (2008) A Unified Architecture for Natural Language Processing: Deep Neural Networks with Multitask Learning. Proceedings of the 25th International Conference on Machine Learning, ICML ‘08, New York, NY, USA , ACM , pp. 160–167.
- Stallkampa J., Schlipsinga M., Salmena J., Igelb Man C. vs. (2012) Computer: Benchmarking Machine Learning Algorithms for Traffic Sign Recognition, 11 p.
- Tormozov V.S., Zolkin A.L., Vasilenko K.A. (2020) Optimization of neural network parameters based on a genetic algorithm for prediction of time series. International Multi-Conference on Industrial Engineering and Modern Technologies, FarEastCon, p. 9271536. DOI: 10.1109/FarEastCon50210.2020.9271536.
