Для авторов
Найти
Результаты поиска
Найдено результатов: 3.
-
МОДУЛЬ КОРРЕКТИРОВКИ ПАРАМЕТРОВ АЛГОРИТМОВ АВТОМАТИЧЕСКОГО ОБНАРУЖЕНИЯ И СОПРОВОЖДЕНИЯ ОБЪЕКТОВ ДЛЯ ОПТИКО-ЭЛЕКТРОННЫХ СИСТЕМ
В. А. Тупиков, В. А. Павлова , А.И. Лизин , П.А. Гессен71-812022-04-20Аннотация ▼В целях создания инновационного модуля автоматической корректировки алгорит-
мов автоматического обнаружения и сопровождения объектов с обучением в реальном
времени произведено исследование мирового опыта в области автоматического сопрово-
ждения общего назначения с возможностью распознавания объекта сопровождения для
применения во встраиваемых вычислительных устройствах оптико-электронных систем
перспективных робототехнических комплексов. На основе проведенных исследований ото-
браны и протестированы методы и подходы, которые позволяют с наибольшей точно-
стью, при сохранении высокой вычислительной эффективности, обеспечивать обучение
классификаторов на лету (online learning) без априорного знания о типе объекта слежения
и обеспечивать последующую корректировку во время слежения и обнаружение исходного
объекта в случае его кратковременной потери. В число таких способов входит гисто-
грамма направленных градиентов – дескриптор ключевых признаков, основывающийся на
анализе распределения градиентов яркости изображения объекта. Его использование по-
зволяет сократить количество используемой информации без потери ключевых данных об
объекте и увеличить скорость обработки изображений. В статье обоснован выбор одного
из алгоритмов классификации в режиме реального времени, позволяющего решить задачу
бинарной классификации – метода опорных векторов. В виду высокой скорости обработки
данных и необходимости небольшого количества исходных обучающих данных для по-
строения разделяющей гиперплоскости, на основе которой и происходит классификация
объектов, данный метод выбран как наиболее подходящий для решения поставленной за-
дачи. Для осуществления online-обучения была выбрана модификация метода опорных
векторов, реализующая стохастический градиентный спуск на каждом шаге работы алго-
ритма – Pegasos. Еще одним вспомогательным способом является метод кластеризации
ключевых точек – таким образом обеспечивается ускоренный выбор объектов для обуче-
ния и классификации. Авторами исследования проведена разработка и полунатурное моде-
лирование предлагаемого модуля, проведена оценка эффективности его работы в задачах
корректировки и обнаружения объекта интереса в режиме реального времени с предвари-
тельным online-обучением в процессе слежения за объектом. Разработанный алгоритм
показал высокую эффективность при решении поставленной задачи. В заключении пред-
ставлены предложения по дальнейшему повышению точности и вероятности обнаруже-
ния объекта интереса разработанным алгоритмом, а также по повышению его произво-
дительности путем оптимизации вычислений. -
АЛГОРИТМ ОБНАРУЖЕНИЯ ОБЪЕКТОВ ДЛЯ ОПТИКО-ЭЛЕКТРОННЫХ СИСТЕМ С ОБУЧЕНИЕМ В РЕАЛЬНОМ ВРЕМЕНИ
В.А. Тупиков , В. А. Павлова , В. А. Бондаренко , М. В. Созинова , П.А. Гессен2021-04-04Аннотация ▼В целях создания нового алгоритма автоматического обнаружения объектов с обучением
в реальном времени произведено исследование мирового научного задела в области автоматиче-
ского сопровождения общего назначения с возможностью распознавания объекта слежения с
потенциалом применения во встраиваемых вычислительных системах оптико-электронных
систем перспективных робототехнических комплексов. На основе проведенных исследований
отобраны и протестированы методы и подходы, которые позволяют с наибольшей точностью, при сохранении высокой вычислительной эффективности, обеспечивать обучение клас-
сификаторов на лету (online learning) без априорного знания о типе объекта слежения и обес-
печивать последующее обнаружение исходного объекта в случае его кратковременной потери.
В число таких способов входит гистограмма направленных градиентов – дескриптор ключевых
признаков, основывающийся на анализе распределения градиентов яркости изображения объ-
екта. Его использование позволяет сократить количество используемой информации без поте-
ри ключевых данных об объекте и увеличить скорость обработки изображений. В статье
обоснован выбор одного из алгоритмов классификации в режиме реального времени, позволяю-
щего решить задачу бинарной классификации – метода опорных векторов. В виду высокой ско-
рости обработки данных и необходимости небольшого количества исходных обучающих дан-
ных для построения разделяющей гиперплоскости, на основе которой и происходит классифи-
кация объектов, данный метод выбран как наиболее подходящий для решения поставленной
задачи. Для осуществления online-обучения была выбрана модификация метода опорных векто-
ров, реализующая стохастический градиентный спуск на каждом шаге работы алгоритма –
Pegasos. Авторами исследования проведена разработка и полунатурное моделирование выбран-
ного алгоритма, проведена оценка эффективности его работы в задачах обнаружения объекта
интереса в режиме реального времени с предварительным online-обучением в процессе слеже-
ния за объектом. Разработанный алгоритм показал высокую эффективность при решении
поставленной задачи и планируется к внедрению в составе специального программного обеспе-
чения оптико-электронных систем перспективных робототехнических комплексов. В заключе-
нии представлены предложения по дальнейшему повышению точности и вероятности обна-
ружения объекта интереса разработанным алгоритмом, а также по повышению его произво-
дительности путем оптимизации вычислений. -
ДВУХЭТАПНЫЙ БУСТИНГ БИНАРНОЙ КЛАССИФИКАЦИИ НА ОСНОВЕ ПРИМЕНЕНИЯ БИОИНСПИРИРОВАННЫХ АЛГОРИТМОВ
Д. В. Балабанов , А. В. Ковтун , Ю. А. Кравченко2020-10-11Аннотация ▼В процессе решения широкого круга прикладных задач возникает необходимость де-
композиции объектов. Как следствие, проблема классификации является актуальной про-
блемой в современных системах интеллектуального анализа данных. Бинарная классифи-
кация является одной из важнейших задач, и имеет целый ряд нерешенных проблем. Одной
из таких проблем является эффективность автоматизированной классификации. В зада-
чах автоматизированной классификации, актуально применение алгоритмического аппа-
рата эволюционных вычислений. Таким образом целесообразно применение генетических и
биоинспирированных алгоритмов, в задаче поиска оптимальных значений параметров
классификатора. Для решения данной задачи предлагается применить алгоритм роя час-
тиц(PSO). Данный алгоритм в контексте задачи поиска субоптимальных значений пара-
метров классификатора способен обеспечить высокое качество классификации. Модифи-
кацией алгоритма является динамическое изменение значений координат, которые отве-
чают за тип функции ядра. Данная доработка позволяет значительно снизить затрачи-
ваемое время разработки классификатора. Для повышения эффективности классификации
целесообразно применять ансамбли алгоритмов. В работе приведена структура двухуров-
невого классификатора. На первом уровне данного классификатора, формируется ан-
самбль простых классификаторов которые формируют учебную выборку, которая, в даль-
нейшем используется алгоритмом роя частиц на втором этапе. Такой подход позволяет
значительно уменьшить временные затраты, а также повысить качество получаемых
решений. Алгоритм роя частиц(PSO), в контексте задачи поиска субоптимальных значе-
ний параметров классификатора способен обеспечить высокое качество классификации.
Предложенный двухуровневый алгоритм был экспериментально протестирован. Произве-
дено сравнение с аналогами, приведены сравнительные диаграммы. Описанные исследова-
ния показывают, что работа имеет высокую теоретическую значимость, а проведенные
экспериментальные исследования доказывают высокую практическую значимость.
1 - 3 из 3 результатов
