ATTENTION! SITE "MOVED" TO A NEW ADDRESS:
http://journals.knute.edu.ua/foreign-trade

Бібліографічний опис згідно з ДСТУ 8302:2015
Криворучко О., Хорольська К., Чубаєвський В. Застосування нейронних мереж у розпізнаванні зображень. Зовнішня торгівля: економіка, фінанси, право. 2019. № 3. С. 83-92. Серія. Економічні науки.


  ПОВНИЙ ТЕКСТ (PDF) 

УДК 004.94=111   DOI: https://doi.org/10.31617/zt.knute.2019(104)07
КРИВОРУЧКО Олена,
E-mail: This email address is being protected from spambots. You need JavaScript enabled to view it.
ORCID: 0000-0002-7661-9227		   д. т. н., професор, завідувач кафедри програмної інженерії та кібербезпеки
Київського національноготорговельно-економічного університету
вул. Кіото, 19, м. Київ, 02156, Україна
     
ХОРОЛЬСЬКА Карина,
E-mail: This email address is being protected from spambots. You need JavaScript enabled to view it.
ORCID: 0000-0003-3270-4494		   Бекенд розробник, Softorino Inc.,

Хантінгтон Біч, Каліфорнія, США
     
ЧУБАЄВСЬКИЙ Віталій,
E-mail: This email address is being protected from spambots. You need JavaScript enabled to view it.
ORCID:0000-0001-8078-2652		   к. політ. н., доцент каф. програмної інженерії та кібербезпеки
Київського національноготорговельно-економічного університету
вул. Кіото, 19, м. Київ, 02156, Україна
 

ЗАСТОСУВАННЯ НЕЙРОННИХ МЕРЕЖ У РОЗПІЗНАВАННІ ЗОБРАЖЕНЬ 

Постановка проблеми. Дослідницьке поле комп’ютерної візуалізації істотно змінилося протягом останніх років, здебільшого завдяки досягненням у сфері глибокого навчання. У цей час глибокі нейронні мережі успішно вико­ристовувалися в різних практиках. Зокрема, згорткові нейронні мережі змогли досягти найсучасніших результатів у задачі з розпізнавання зображень, у багатьох випадках перевершуючи людські можливості. Попри значну кількість досліджень, проведених у цій сфері, більшість праць розглядають набір даних, що складаються з досить високоякісних зображень. У реальних додатках, однак, ми часто стикаємося з проблемами, де потрібно робити багато ручної роботи. У цій статті основна увага приділяється функціонуванню класифікації патернів зображень. Класифікаційна характеристика є важливою частиною, що вирішує ряд актуальних задач: від створення єдиної інформаційної мови для автоматизованих систем до уніфікації та стандартизації.
Метою роботи є визначення оптимального методу розпізнавання зображень для вирішення проблеми автоматизованої побудови конструкційних 3Dмоделей.
Матеріали та методи. Застосовано подвійний підхід до використання нейронних мереж для визначення та класифікації об’єктів із зображення. Подвійний нейромережевий підхід виник з синтезу алгоритмів, представлених у розглянутих раніше публікаціях.
Результати дослідження. Для тестових цілей сформовано план основи зображення з дев’ятьма типами класифікованих об’єктів. Загальна кількість об’єктів становила 11 тис. Вхідними даними слугував характерний вектор, який містить шість початкових ознак, що описують форму об’єктів.
Запропонований підхід з подвійною нейронною мережею використано для розпізнавання та класифікації об’єктів на зображенні. Після процесу контро­льованого навчання нейронних мереж, тобто навчання з «вчителем», вони були повністю в змозі визначити об’єкти на зображенні.
Висновки. Запропонована нейромережа дає змогу визначати і класифіку­вати кожен елемент. Кожен клас підсвічується певним кольором. Подальше застосування отриманих даних може бути застосовано для побудови 3D моделей з попередньо визначених параметрів для кожного класу.
Запропонований спосіб розпізнавання зображень об’єктів і структур вбачається найбільш вигідним. Алгоритм розпізнавання базується на двох двоша­рових нейронних мережах прямого розподілу, які дають змогу розпізнавати і класифікувати об’єкти різної форми. Як інформативні ознаки об’єктів, на основі яких нейронні мережі здійснюють класифікацію, запропонований спосіб може бути використаний для розпізнавання зображень об’єктів, схожих за формою.
 
Ключові слова: нейронна мережа, об’єкт розпізнавання, класифікація, домени. 

REFERENCES 

  1. Alexandre, L. A. (2016). 3D Object Recognition Using Convolutional Neural Networks with Transfer Learning Between Input Channels. In: Menegatti E., Michael N., Berns K., Yamaguchi H. (Eds). Intelligent Autonomous Systems 13. Advances in Intelligent Systems and Computing. (vol. 302). Springer, Cham. DOI: https://doi.org/10.1007/978-3-319-08338-4_64 [in English].
  2. Andre, Esteva, & Brett, Kuprel (2017).Dermatologist-level classification of skin cancer with deep neural networks. (Vol. 542), (pp. 115–118). 02 February. Retrieved from https://www.nature.com/articles/nature21056?TB_iframe=true&width=914.4&height=921.6. DOI: https://doi.org/10.1038/nature21056 [in English].
  3. Popescu, A. C., & Farid, H. (2005). Exposing digital forgeries by detecting traces of resampling. IEEE Transactions on signal processing. (Vol. 53), 2, (pp. 758-767). DOI: https://doi.org/10.1109/TSP.2004.839932 [in English].
  4. Qian, Y., Dong, J., Wang, W., & Tan, T. (2015). Deep learning for steganalysis via convolutional neural networks. Media Watermarking, Security and Forensics. (Vol. 9409), (pp. 94 090J). DOI: https://doi.org/10.1117/12.2083479 [in English].
  5. Lin, M., Chen, Q., & Yan, S. (2014). Network in network, in International Conference on Learning Representations [in English].
  6. Ciresan, D. C., Meier, U. J., Masci, Gambardella L. M., & Schmidhuber J. (2011). High-performance neural networks for visual object classification. Arxiv preprint arXiv:1102.0183 [in English].
  7. Hinton, G. E. (2012). Imagenet classification with deep convolutional neural networks, in Advances in neural information processing systems, (pp. 1097-1105) [in English].