Аннотация и ключевые слова
Аннотация (русский):
В статье рассмотрены технологии компьютерного зрения на основе глубоких свёрточных нейронных сетей. Применение нейронных сетей особенно эффективно для решения трудно формализуемых задач. Разработана архитектура свёрточной нейронной сети применительно к задаче распознавания и классификации морских объектов на изображениях. В ходе исследования выполнен ретроспективный анализ технологий компьютерного зрения и выявлен ряд проблем, связанных с применением нейронных сетей: «исчезающий» градиент, переобучение и вычислительная сложность. При разработке архитектуры нейросети предложено использовать функцию активации RELU, обучение некоторых случайно выбранных нейронов и нормализацию с целью упрощения архитектуры нейросети. Сравнение используемых в нейросети функций активации ReLU, LeakyReLU, Exponential ReLU и SOFTMAX выполнено в среде Matlab R2019b. На основе свёрточной нейронной сети разработана программа на языке программирования Visual C# в среде MS Visual Studio 2019 для распознавания морских объектов. Программа предназначена для автоматизированной идентификации морских объектов, производит детектирование (нахождение объектов на изображении) и распознавание объектов с высокой вероятностью обнаружения.

Ключевые слова:
глубокое машинное обучение, свёрточные нейронные сети, распознавание образов, обработка изображений, машинное зрение, системы автоматического слежения за объектом, функция активации
Текст
Текст произведения (PDF): Читать Скачать
Список литературы

1. Астреин В.В., Кондратьев С.И., Хекерт Е.В. Алгоритм самоорганизации групп судов для предупреждения столкновений // Эксплуатация морского транспорта. Гос. морской университет им. адмирала Ф.Ф. Ушакова, Новороссийск. - 2016,-№2(79).-С. 45-50.

2. Полковникова Н.А., Полковников А.К. Система поддержки принятия решений для выбора режима и прогнозирования отказов главного судового двигателя // Эксплуатация морского транспорта. Гос. морской университет им. адмирала Ф.Ф. Ушакова, Новороссийск. - 2019-№3(92).-С. 170-180.

3. Пятакович В.А., Пятакович Н.В., Пашкеев С.В. Применение нейросетевых технологий искусственного интеллекта в структуре системы мониторинга и контроля морской среды средствами военно-морского флота // Стратегическая стабильность - 2018 - № 3 (84). - С. 53-62.

4. Магг В., Ward М. Artificial intelligence in practice. -Wiley, 2019.-340 p.

5. Клетте P. Компьютерное зрение. Теория и алгоритмы / пер. с англ. А.А. Слинкин. - М.: ДМК Пресс, 2019. - 506 с.

6. Krolm J., Grant В., Aglae В. Deep learning illustrated: a visual interactive guide to artificial intelligence. -Addison-Wesley Professional, 2019. -416 P-

7. Rebala G., Ravi A., Sanjay C. An introduction to machine learning. - Springer, 2019. - 263 p.

8. Harley A.W. An interactive node-link visualization of convolutional neural networks. International Symposium on Visual Computing, Springer, 2015. - 867-877 pp.

9. Wei Qi Yan. Introduction to intelligent surveillance. - Springer, 3rd edition, 2019. - 222 p.

10. LeCun Y. Deep Teaming Hardware: Past, Present, and Future. IEEE International Solid-State Circuits Conference-(ISSCC), 2019. - 12-19 pp.

11. LeCun Y., Bengio Y., Hinton G. Deep learning. Nature, vol. 521 (7553), 2015.-436-444 pp.

12. Krizhevsky A., Sutskever I., Hinton G.E. Imagenet classification with deep convolutional neural networks. Advances in neural information processing systems, 2012. - 1097-1105 pp.

13. Shanmugamani R. Deep Teaming for Computer Vision: Expert techniques to train advanced neural networks using Tensorflow and Keras. - Packt Publishing, 2018. - 312 p.

14. Thakkar M. Beginning machine learning in iOS: CoreML Framework. - Apress, 2019.- 157 p.

15. Teskovec J., Rajaraman A., Ullman J.D. Mining of Massive Datasets. - Cambridge University Press, 3rd edition, 2019. - 583 p.

16. Redmon J., Farhadi A. YOT09000: Better, Faster, Stronger. Proceedings of the IEEE conference on computer vision and pattern recognition, 2017. -7263-7271 pp.

17. Deep Reinforcement reaming Doesn't Work Yet https://www.alexirpan.eom/2018/02/14/rl-hard.html (Дата обращения 16.12.2019)

18. Николенко С., Кадурин А., Архангельская Е. Глубокое обучение. - СПб.: Питер, 2018. -480 с.

19. Kwanghyun K., Sungjun H.,Baehoon C.,Euntai K. Probabilistic Ship Detection and Classification Using Deep reaming. Applied Sciences, vol. 8, no. 936, 2018. - 1-17 pp.

20. Zhenfeng Shao, Wenjing Wu, Zhongyuan Wang, Wan Du, Chengyuan Ti. SeaShips: a large-scale precisely annotated dataset for ship detection. IEEE transactions on multimedia, vol. 20, no. 10, 2018. -2593-2604 pp.

21. Recent advances on memetic algorithms and its applications in image processing. Editors: Hemanth D.J., Kumar B.V., Karpagam Manavalan G.R. -Springer, 2020. - 199 p.


Войти или Создать
* Забыли пароль?