Preview

Цифровая трансформация

Расширенный поиск

Модель автоматической классификации и локализации образов

Полный текст:

Аннотация

Работа посвящена идентификации образов на изображениях, которая выполняется в результате процедур классификации и локализации. Анализ моделей, методов и алгоритмов показал, что для решения поставленной задачи предпочтительно применять машинное обучение, искусственную нейронную сеть и генетический алгоритм. Предложена архитектура сверточной искусственной нейронной сети, позволяющая решать как задачу классификации, так и задачу локализации образов. Сначала сеть обучается, затем для изображения, подаваемого на ее вход, определяется класс. На заключительном этапе работы сверточной нейронной сети выполняется локализация объектов на изображении. Для этого анализируются выходные значения предпоследнего слоя модели, после чего происходит обход слоев в обратном порядке. Его цель – нахождение на исходном изображении регионов с наибольшим откликом. Комбинированная модель показала приемлемые результаты как по классификации, так и по локализации объектов. Все параметры для работы сети определяются автоматически с помощью генетического алгоритма. Дальнейшее улучшение работы предложенной модели связано с реализацией на ней распределенных вычислений.

Об авторах

Л. В. Серебряная
УО «Белорусский государственный университет информатики и радиоэлектроники»
Беларусь

Серебряная Лия Валентиновна, кандидат технических наук, доцент, доцент кафедры ПОИТ 

ул. П. Бровки, д. 6, 220013, г. Минск



К. Ю. Бочкарев
УО «Белорусский государственный университет информатики и радиоэлектроники»
Беларусь

Бочкарев Кирилл Юрьевич, магистрант кафедры ИТАС 

ул. П. Бровки, д. 6, 220013, г. Минск



А. Я Попитич
УО «Белорусский государственный университет информатики и радиоэлектроники»
Беларусь

Попитич Александр Яковлевич, магистр технических наук 

ул. П. Бровки, д. 6, 220013, г. Минск



Список литературы

1. Radcliffe, N. J. Genetic set recombination and its application to neural network topology optimization. Technical Report EPCC–TR–91–21 / N. J. Radcliffe. – Edinburgh: University of Edinburgh, 1991. – 250 p.

2. Stanley, K. О. Evolving Neural Topologies through Augmenting Topologies / K. О. Stanley, R. Miikkulainen // Evolutionary Computation. The MIT Press. – 2002. – Vol. 10 (2). – РP. 99–127.

3. Simonyan, K. Deep inside convolutional networks: Visualising image classification models and saliency maps [Electronic resource] / K. Simonyan, A. Vedaldi // International Conference on Learning Representations Workshop. – 2014. – Mode of access: https://arxiv.org/pdf/1312.6034.pdf. – Date of access: 16.03.2019.

4. Perez, S. Apply genetic algorithm to the learning phase of a neural network [Electronic resource] / S. Perez // Department of Mechanical and Aerospace Engineering University of California. – Irvine, 2005. – Mode of access: https://pdfs.semanticscholar.org/cc48/1cf3f2dfa88fc5fa84cd41d7e9f7f7de4ff2.pdf. – Date of access: 16.03.2019.

5. Zhou, B. Learning Deep Features for Discriminative Localization [Electronic resource] / B. Zhou, A. Lapedriza // Computer Science and Artificial Intelligence Laboratory. – MIT, 2014. – Mode of access: https://arxiv.org/pdf/1310.1531.pdf. – Date of access: 16.03.2019.

6. Donahue, J. Decaf: A deep convolutional activation feature for generic visual recognition [Electronic resource] / J. Donahue, Y. Jia, O. Vinyals, J. Hoffman, N. Zhang, E. Tzeng, T. Darrell // International Conference on Machine Learning. – 2014. – Mode of access: https://web.njit.edu/~usman/courses/cs698_spring18/RCNN.pdf. – Date of access: 16.03.2019.

7. Girshick, R. Rich feature hierarchies for accurate object detection and semantic segmentation [Electronic resource] / R. Girshick, J. Donahue, T. Darrell, J. Malik. – CVPR, 2014. – Mode of access: https://papers.nips.cc/paper/4824-imagenetclassification-with-deep-convolutional-neural-networks.pdf. – Date of access: 16.03.2019.

8. Krizhevsky, A. Imagenet classification with deep convolutional neural networks / A. Krizhevsky, I. Sutskever, G. E. Hinton // Advances in Neural Information Processing Systems. – 2012. – РP. 1097-1105.


Для цитирования:


Серебряная Л.В., Бочкарев К.Ю., Попитич А.Я. Модель автоматической классификации и локализации образов. Цифровая трансформация. 2019;(1):43-48.

For citation:


Serebryanaya L.V., Bochkarev K.Y., Popitich A.Y. Model of Automatic Classification and Localization of Images. Digital Transformation. 2019;(1):43-48. (In Russ.)

Просмотров: 132


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 2522-9613 (Print)
ISSN 2524-2822 (Online)