СИСТЕМА РОЗПІЗНАВАННЯ ОБРАЗІВ НА БАЗІ НЕЙРОННОЇ МЕРЕЖІ З ГЛИБОКИМ НАВЧАННЯМ
Ключові слова:
нейронна мережа, глибоке навчання мережі, класифікатор ознак, опорний інформаційний вектор, графічний фрейм, машинний зірАнотація
Розроблена система розпізнавання об'єктів, яка ґрунтується на нейронних мережах з глибоким навчанням. Така система розпізнавання образів здатна забезпечити точне та швидке розпізнавання відомих їй та близьких до таких зображень у відеоконетні, отриманому з IP-камер відеонагляду. Залежно від умов зйомки відео та кута огляду IP-камери, алгоритм роботи даної системи досягає точності розпізнавання, що складає 96,38%. Такий відсоток розпізнавання образів є практично сталим відносно 11 класів об’єктів ідентифікації та розпізнавання. Такі високі результати досягаються завдяки використанню навчальної бази відеоданих CamVid в якості навчальної вибірки нейронної мережі. Така база сформована на основі 421 навчального та 280 тестових відеозображень. В моделі системи розпізнавання передбачені можливості оптимізації параметрів функції навчання та ідентифікації, а також зміни методу вимірювання відстані між векторами ознак (метрики вимірювання відстані точок).
Посилання
1. Moskalenko, V. V., & Korobov, A. H. (2019). Optimization parameters of intellectual identification system of objects on the terrain. Radioelectronic and Computer Systems, (2), 32–39. https://doi.org/10.32620/reks.2016.2.05
2. Lakhno, V., Akhmetov, B., Chubaievskyi, V., Desiatko, A., Palaguta, K., Blozva, A., & Chasnovskyi, Y. (2021). Information security audit method based on the use of a neuro-fuzzy system. Lecture Notes in Networks and Systems, 232, 171–184.
3. Herasina, O. V., & Korniienko, V. I. (2010). Alhorytmy hlobalnoi i lokalnoi optymizatsii v zadachi identyfikatsii skladnykh dynamichnykh system [Algorithms of global and local optimization in the problem of identification of complex dynamic systems]. Systemy obrobky informatsii, (6), 73–77.
4. Lakhno, V., Kryvoruchko, O., Desiatko, A., Blozva, A., & Semidotska, V. (2020). Development strategy model of the informational management logistic system of a commercial enterprise by neural network apparatus. CEUR Workshop Proceedings, 2746, 87–98.
5. Schuster, H. G. (1992). Deterministic chaos: Introduction and recent results. In H. Thomas (Ed.), Nonlinear dynamics in solids (pp. 11–19). Springer. https://doi.org/10.1007/978-3-642-95650-8_2
6. Ljung, L., Andersson, C., Tiels, K., & Schön, T. B. (2020). Deep learning and system identification. IFAC-PapersOnLine, 53(2), 1175–1181. https://doi.org/10.1016/j.ifacol.2020.12.1329
7. Nelles, O. (2001). Nonlinear system identification: From classical approaches to neural and fuzzy models. Springer.
8. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press.
9. Lee, J.-H. (2019). Minimum Euclidean distance evaluation using deep neural networks. AEU – International Journal of Electronics and Communications, 112, Article 152964. https://doi.org/10.1016/j.aeue.2019.152964
10. Sahun, A., Khaidurov, V., & Bobkov, V. (2024). Model of graphic object identification in a video surveillance system based on a neural network. In Cybersecurity Providing in Information and Telecommunication Systems (CPITS-2024). CEUR Workshop Proceedings. https://ceur-ws.org/Vol-3654/short2.pdf
11. Sturgess, P. (2016). CamVid database. Oxford Brookes University.
12. Apostolopoulos, I. D., & Tzani, M. (2022). Industrial object, machine part and defect recognition towards fully automated industrial monitoring employing deep learning: The case of multilevel VGG19. Journal of Ambient Intelligence and Humanized Computing. https://doi.org/10.1007/s12652-021-03688-7
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2024 Інформаційні технології в економіці та природокористуванні
TЦя робота ліцензується відповідно до ліцензії Creative Commons Attribution-ShareAlike 4.0 International License.
