Розроблено обчислювально просту модель і ефективний метод навчання бортової системи детектування об'єктів на місцевості. Об'єкт дослідження - процес детектування малорозмірних об'єктів на аерофотознімках за умов обмежених обчислювальних ресурсів і невизначеності, зумовленої малим об'ємом розміченої навчальної вибірки. Мета дослідження - розробка ефективних моделі і методу навчання системи детектування об'єктів малогабаритним літаючим апаратом за умов обмежених обчислювальних ресурсів і обмеженого обсягу розміченої вибірки. Запропоновано 4-етапний метод навчання детектора об'єктів. На першому етапі здійснюється вибір згорткової нейромережі, попередньо навченої на наборі ImageNet, а також вибір кількості шарів, які будуть запозичені. Другий етап передбачає додавання згорткового розріджено-кодуючого шару, що навчається без вчителя, для формування карти ознак. Для реалізації другого етапу розроблено модифікацію алгоритму зростаючого нейронного газу, яка забезпечує автоматичне визначення необхідної кількості нейронів і їх оптимальний розподіл за даними. Це надає змогу ефективно використовувати нерозмічені набори даних для адаптації високорівневого ознакового опису до доменної області використання. На третьому етапі проводиться редукція вихідної карти ознак шляхом застосування методу головних компонент й навчання вирішальних правил. При цьому вихідна карта ознак будується шляхом конкатенації карт ознак нижніх рівнів з масштабованими картами ознак верхнього рівня. Даний підхід до побудови карти ознак покликаний забезпечити підвищення ефективності розпізнавання малорозмірних об'єктів за рахунок збільшення кількості контекстної інформації в кожному пікселі. Побудову моделі класифікаційного аналізу пікселів вихідної карти ознак запропоновано здійснювати на основі принципів бустінгу і інформаційно-екстремального машинного навчання, а прогнозування меж детектованих об'єктів запропоновано реалізувати на основі машини екстремального навчання. Останній етап методу навчання полягає в тонкій настройці високорівневих шарів екстрактора ознак на основі метаевристичного алгоритму симуляції відпалу з метою максимального наближення до глобального оптимуму значення комплексного критерію ефективності навчання детектора. Результати, одержані на відкритому наборі даних, підтверджують придатність запропонованих моделі та методу навчання до практичного застосування. Запропонований метод навчання забезпечує 96 % точності детектування малорозмірних об'єктів на тестових зображення за використанні 500 нерозмічених і 200 розмічених навчальних зображень. Наукова новизна статті полягає в розробці нових моделі і методу навчання детектора об'єктів, що забезпечують високодостовірне розпізнавання малорозмірних об'єктів на аерофотознімках за умов обмежених обчислювальних ресурсів і малого обсягу розмічених навчальних вибірок. Практичне значення одержаних результатів роботи полягає у розробці моделі та методу навчання детектора об'єктів, що надають змогу знизити вимоги до обсягу навчальної вибірки і обчислювальних ресурсів бортовий системи літаючого апарата в режимах навчання та екзамену.Розроблено та досліджено модель та метод навчання для класифікації контекстів спостереження на кадрах відеоінспекції стічних труб. Об'єкт дослідження - процес виявлення просторово-часового контексту під час інспекцій стічних труб. Предметом дослідження є модель та метод машинного навчання для класифікаційного аналізу кадрів відеоінспекції в умовах обмеженого та незбалансованого набору розмічених навчальних даних. Мета дослідження - розроблення ефективних моделі і методу машинного навчання для класифікаційного аналізу контексту відеокадрів інспекції стічних труб в умовах обмеженого обсягу та незбалансованості розміченого навчального набору даних. Запропоновано чотирьох етапний алгоритм навчання класифікатора. Перший етап полягає у навчанні з нормалізованою триплетною функцією втрат і регуляризуючою складовою, яка штрафує за помилку округлення вихідного сигналу до двійкового подання. Наступний етап полягає у визначенні двійкового коду для кожного класу для реалізації кодів, що виправляють помилки, але з урахуванням внутрішньокласових та міжкласових відношень. Отриманий еталонний двійковий вектор для кожного класу потім використовується як цільова мітка під час наступного етапу навчання з бінарною крос-ентропійною функцією втрат. Останній етап машинного навчання пов'язаний з оптимізацією параметрів правила прийняття рішень за інформаційним критерієм для визначення допустимих меж відхилення двійкового подання спостережень кожного класу від відповідного еталонного вектора. Розглянуто 2D згортковий екстрактор ознак у поєднанні з темпоральною мережею для аналізу міжкадрових залежностей. Розглядаються варіанти з 1D згорткова мережа з дірявими регулярними згортками, 1D згорткова мережа з дірвими причинно-наслідковими згортками, рекурентна мережа LSTM та рекурентна мережа GRU. Порівняння ефективності моделей проводиться на основі мікро-усередненої F1-міри, обчисленої на тестовому наборі даних. Результати, отримані за набором даних, наданим Ace Pipe Cleaning, Inc, підтверджують придатність моделі та методу для практичного використання, оскільки отримана точність дорівнює 92 %. Порівняння результатів навчання із запропонованим методом та традиційним методом показало перевагу на 4 % за мікро-усередненим значенням F1-міри. Подальший аналіз матриці помилок показав, що найбільш суттєве підвищення точності порівняно зі традиційними методами досягається для складних класів, які поєднують як орієнтацію камери, так і особливості конструкції стічної труби. Висновки: наукова новизна роботи полягає у нових моделях та методах класифікаційного аналізу просторово-часового контексту для автоматизації відеоінспекції стічних труб в умовах обмеженого обсягу та незбалансованості розмічених навчальних даних. Результати навчання, отримані за пропонованим методом, порівнюються з результатами, отриманими за допомогою традиційного методу класифікаційного аналізу зображень. Запропонований метод продемонстрував перевагу на 4 % за мікро-усередненим значенням F1-міри. Емпірично було доведено, що темпоральна мережа на основі 1D згорткової мережі з дірявими регулярними згортками є найбільш ефективною для аналізу міжкадрових залежностей.

  Повний текст PDF - 766.615 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"