Розроблено модель класифікаційного аналізу, яка складається з детектора руху, трекера об'єктів, згорткового розріджено кодуючого екстрактора ознак і стекованого інформаційно-екстремального класифікатора. Пропонується побудова детектора руху на основі визначення різниці двох послідовних вирівняних кадрів, де вирівнювання здійснюється шляхом співставлення ключових точок, оцінки гомографії та проективної трансформації. Використання детектора руху спрямоване на спрощення задачі класифікаційного аналізу об'єктів, оскільки дозволяє знизити варіативність вхідних образів і зекономити ресурси необхідні для синтезу без навчання моделі пошуку області руху. Запропонована модель характеризується не високою обчислювальною складністю і може бути використана як інструмент збору розмічених даних для глибокої моделі детектора рухомих об'єктів. Крім того, розроблено метод навчання детектора рухомих об'єктів. Метод навчання моделі детектора включає етап навчання екстрактора ознак без вчителя на основі розріджено кодуючого нейронного газу, етап навчання з учителем і тонкої настройки стекованого інформаційно-екстремального класифікатора. Пропонується автоматизована розмітка нових вхідних даних шляхом трекінгу об'єктів з відомою міткою, яка формується на основі закріплення прогнозу як мітки у випадку його високої достовірності або на основі ручної розмітки для зразків з малою достовірністю розпізнавання. При цьому балансування класів здійснюється на основі техніки андерсамплінгу в межах стратегії "один проти всіх". Результати моделювання на відкритих наборах даних підтверджують придатність запропонованих моделі та методу навчання для практичного використання.Розроблено та досліджено модель та метод навчання для класифікаційного аналізу рівня води на кадрах відео інспекції стічних труб. Об'єкт дослідження - процес розпізнавання рівня води з урахуванням просторово-часового контексту під час інспекції стічних труб. Предмет дослідження - модель та метод машинного навчання для класифікаційного аналізу рівня води на відеопослідовностях інспекції труб за умов обмеженого та незбалансованого набору навчальних даних. Запропоновано чотирьохетапний алгоритм навчання класифікатора. На першому етапі навчання відбувається навчання з нормалізованою триплетною функцією втрат та регуляризуючою складовою для штрафування за помилку округлення вихідного сигналу мережі до двійкового коду. Наступний етап потрібний для визначення двійкового коду класу відповідно до принципів завадозахищеного кодування з самовиправленням помилок, але з урахуванням внутрікласових і міжкласових відношень. Обчислений еталонний вектор кожного класу використовується як цільова розмітка зразка для подальшого навчання з використанням об'єднаної крос-ентропійної функції втрат. Останній етап машинного навчання пов'язаний з оптимізацією параметрів вирішувальних правил за інформаційним критерієм для врахування меж відхилення двійкового подання спостережень кожного класу від відповідних еталонних векторів. Як модель класифікатора розглядається поєднання 2D згорткового екстрактора ознак кадру з темпоральною мережею для аналізу міжкадрових залежностей. При цьому виконується порівняння різних варіантів темпоральної мережі. Розглядаються 1D регулярна згорткова мережа з дірявими згортками, 1D каузальна згорткова мережа з дірявими згортками, рекурентна LSTM-мережа, рекурентна GRU-мережа. Порівняння ефективності моделей відбувається за мікро-усередненою метрикою F1, що обчислюється на тестовій вибірці. Результати, отримані на наборі даних від компанії Ace Pipe Cleaning (Канзас Сіті, США), підтверджують придатність моделі і методу навчання до практичного використання, отримане значення F1-метрики дорівнює 0,88. При цьому результати навчання за запропонованим методом порівнювалися з результатами, отриманими традиційним методом. Показано, що запропонований метод забезпечує збільшення значення мікро-усередненої метрики F1 на 9 %.

  Повний текст PDF - 939.56 Kb    Зміст випуску     Цитування публікації

  Якщо, ви не знайшли інформацію про автора(ів) публікації, маєте бажання виправити або відобразити більш докладну інформацію про науковців України запрошуємо заповнити "Анкету науковця"