Найти

Результаты поиска

• МЕТОДЫ ГЛУБОКОГО ОБУЧЕНИЯ ДЛЯ ОБРАБОТКИ ТЕКСТОВ НА ЕСТЕСТВЕННОМ ЯЗЫКЕ

  В. В. Курейчик , С. И. Родзин , В.В. Бова

  2022-05-26

  Аннотация ▼

  Представлен анализ подходов, основанных на глубоком обучении (DL), к задачам об-
  работки естественного языка (NLP). Исследование охватывает различные задачи NLP,
  реализованные с помощью искусственных нейронных сетей (ANNs), сверточных нейронных
  сетей (CNNs) и рекуррентных нейронных сетей (RNNs). Эти архитектуры позволяют ре-
  шать широкий спектр задач обработки естественного языка, ранее не поддававшихся
  эффективному решению: моделирование предложений, маркировка семантической роли,
  распознавание именованных сущностей, ответы на вопросы, категоризация текста, ма-
  шинный перевод. Наряду с преимуществами использования CNN для решения задач NLP
  имеются проблемы, связанные с большим числом варьируемых параметров сети и выбором
  ее архитектуры. Мы предлагаем для оптимизации архитектур сверточных нейронных
  сетей эволюционный алгоритм. Алгоритм инициализирует случайную популяцию из малого
  числа агентов (не более 5) и с помощью фитнесс функции получает оценки каждого агента
  в популяции. Затем проводится турнирная селекция между всеми агентами и применяется
  оператор кроссинговера между выбранными агентами. Алгоритм обладает таким пре-
  имуществом как малый размер популяции сетей, он использует несколько типов слоев
  CNN: сверточный слой, максимальный слой пулинга (субдискретизации), средний слой пу-
  линга и полносвязный слой. Алгоритм тестировался на локальном компьютере с графиче-
  ским процессором ASUS Cerberus GeForce ® GTX 1050 Ti OC Edition 4 ГБ GDDR5, 8 ГБ
  оперативной памяти и процессором Intel(R) Core(TM) i5-4670. Результаты экспериментов
  показали, что предлагаемый нейроэволюционный подход способен достаточно быстро
  найти оптимизированную архитектуру CNN для заданного набора данных с приемлемым
  значением точности. Для завершения выполнения алгоритма потребовалось около 1 часа.
  Для создания и обучения CNN был использован популярный фреймворк TensorFlow.
  Для оценки алгоритма использовались общедоступные наборы данных: MNIST и MNIST-RB.
  Наборы содержали черно-белые изображения рукописных букв и цифр с 50000 обучающими
  образцами и 10000 тестовыми образцами.

• КЛАССИФИКАТОР ИЗОБРАЖЕНИЙ СЕМЯН СЕЛЬСКОХОЗЯЙСТВЕННЫХ КУЛЬТУР С ИСПОЛЬЗОВАНИЕМ СВЕРТОЧНОЙ НЕЙРОННОЙ СЕТИ

  В. А. Деркачев , В. В. Бахчевников, А. Н. Бакуменко

  2020-11-22

  Аннотация ▼

  В настоящей статье рассматривается создание архитектуры сверточной нейронной
  сети, классифицирующей изображения сельскохозяйственных культур (в частности пшеницы)
  для последующего применения в оптическом сепараторе семян (фотосепараторе). Интерес к
  проектированию нейронных сетей классификации изображений в последнее время сильно воз-
  рос, что связано как с развитием теории глубоких нейронных сетей, так и возросшей вычисли-
  тельной мощностью настольных компьютеров, а также переносом вычислений на графиче-
  ские процессоры. Целью статьи является разработка архитектуры нейронной сети позволяю-
  щей осуществить разделение входного потока семян пшеницы на два класса: «хорошие» семена
  и «плохие» (с изъянами по форме и цвету) семена. Архитектура полученной нейронной сети
  является сверточной, так как в отличии от полносвязной, данный класс нейронных сетей в
  определенных пределах невосприимчив к изменению масштаба и угла поворота объектов во
  входных данных. В работе для формирования обучающей, валидационной и тестовой выборок
  использовались изображения семян, полученные с использованием бытовой фотокамеры, что
  негативно сказалось на результатах обучения и тестирования нейронной сети относительно
  возможного результата применения в реальном фотосепараторе. Архитектура разработан-
  ной нейронной сети предварительно оптимизирована для использования на ПЛИС, однако, в
  рассмотренном случае не осуществлен переход от значений весовых коэффициентов из типа
  данных с плавающей запятой к целочисленному типу, что может привести к снижению точ-
  ности работы нейронной сети, при этом позволив значительно уменьшить объем ресурсов
  ПЛИС. Применение предложенной архитектуры позволяет получить достаточно точную
  оценку классифицируемых семян пшеницы по верификационным и тестовым наборам данных.

• ПРОЕКТИРОВАНИЕ МОДУЛЕЙ НЕЙРОСЕТЕЙ MLP И CNN НА ПЛИС ДЛЯ ЗАДАЧ КЛАССИФИКАЦИИ ИЗОБРАЖЕНИЙ

  Э. В. Мельник , Д.Е. Блох , А.И. Безмельцев , В.С. Панищев , С.Н. Полторацкий

  214-229

  2025-11-10

  Аннотация ▼

  Актуальность. Развитие методов машинного обучения и архитектур нейронных сетей, а также их распространение в различные сферы промышленности обуславливают актуальность решения задач по их аппаратной реализации. Использование программируемых логических интегральных схем в этой области позволит повысить скорость обработки данных и адаптивность реализуемых алгоритмов. Однако проектирование нейросетевых архитектур на программируемых логических интегральных схемах сопряжено с рядом методологических и технических сложностей, включая оптимизацию параллельных вычислений, управление аппаратными ресурсами и обеспечение работы в условиях ограниченных вычислительных ресурсов. Цель работы – анализ и сравнение двух архитектур нейронных сетей, многослойного перцептрона (MLP) и сверточной нейронной сети (CNN), в контексте их аппаратной реализации на программируемых логических интегральных схемах (ПЛИС). Особое внимание уделяется компромиссу между точностью классификации и эффективностью использования ограниченных аппаратных ресурсов ПЛИС. Методы исследования. Для достижения цели была проведена разработка и симуляция двух модулей на ПЛИС
  Virtex 7, перцептронного и сверточного. Использовался набор данных MNIST, уменьшенный до 20×20 пикселей. Реализация включала этапы квантования параметров до фиксированного формата 16:16, оптимизацию гиперпараметров, применение табличных вычислений для нелинейных функций и оценку использования ресурсов ПЛИС. Результаты и обсуждения. MLP достиг точности 93% при использовании 11% логических элементов, в то время как CNN обеспечила точность 98%, но потребовала существенно больше ресурсов. Использование внутренних буферов для хранения промежуточных данных в CNN привело к превышению допустимых ресурсов. Вынужденный переход к внешней памяти увеличил задержки и объем портов ввода-вывода. Выводы. Исследование показало, что выбор архитектуры зависит от приоритетов: CNN обеспечивает лучшую точность, но менее эффективна в ресурсах. Для embedded-систем с ограничениями по памяти и потреблению энергии предпочтительна упрощенная MLP-реализация. Основными проблемами остаются нехватка внутренней памяти и высокая ресурсоемкость операций, что требует дальнейших исследований в области аппаратной оптимизации и адаптивного управления вычислениями

• ПРИМЕНЕНИЕ ТЕХНОЛОГИЙ КОМПЬЮТЕРНОГО ЗРЕНИЯ В СИСТЕМАХ ОБРАБОТКИ ВИЗУАЛЬНОЙ ИНФОРМАЦИИ

  О.Б. Лебедев , Р.И. Черкасов

  254-276

  2025-11-10

  Аннотация ▼

  Рассмотрено применение технологий искусственного интеллекта, в частности компьютерного зрения в системах обработки визуальной информации. Проведен комплексный анализ нейросетевых подходов к решению задач компьютерного зрения, включая систематизацию ключевых типов задач: классификацию изображений, детектирование объектов и семантическую сегментацию. Детально исследованы архитектурные принципы сверточных нейронных сетей с акцентом на механизмы извлечения пространственных признаков через сверточные слои, оптимизацию представления данных посредством операций пулинга и преобразование признаков в полносвязных слоях. Особое внимание уделено эволюции методов обнаружения объектов, где задача выбора модели рассмотрена как расширение классификации за счет интеграции регрессии пространственных координат, а также проведена оценка эффективности детекторов на основе метрик IoU, Precision, Recall и F1-score, демонстрирующих фундаментальный компромисс между точностью локализации и скоростью обработки. В качестве оптимального решения для систем реального времени представлен алгоритм YOLOv7, архитектура которого основана на разбиении входного изображения на сетку S×S ячеек с прямым предсказанием параметров ограничивающих рамок (координаты центра, ширина, высота) и вероятностей классов для каждой ячейки, а также использовании специализированных слоёв (SPP, PANet) для мультимасштабной агрегации признаков. Структура нейронной сети подтверждает эффективность используемого подхода, обеспечивающего высокое быстродействие без критического снижения точности в стратегически важных приложениях видеонаблюдения, автономных систем и дополненной реальности. Проведено сравнительное исследование одноэтапных и двухэтапных детекторов с оценкой их производительности по ключевым метрикам. Особое внимание уделено практическим аспектам применения технологий компьютерного зрения в реальных системах обработки визуальной информации

• ПРИМЕНЕНИЕ СВЕРТОЧНЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ТЕХНИЧЕСКОГО РАСПОЗНАВАНИЯ ОБЪЕКТОВ В ИНТЕРЕСАХ РАДИОМОНИТОРИНГА

  Д. В. Шумков , И.В. Титков , П.А. Гулевич

  2025-04-27

  Аннотация ▼

  Рассматривается исследование возможности применения свёрточных нейронных сетей
  (СНС) для технического распознавания объектов (ТРО) в контексте радиомониторинга. Основное
  внимание уделяется разработке и оптимизации алгоритмов обработки радиолокационных сигна-
  лов с использованием глубоких нейронных сетей. Исследования показали, что применение СНС
  позволяет существенно повысить точность классификации радиосигналов по сравнению с тради-
  ционными методами обработки. Разработанный подход основан на извлечении иерархических
  признаков из спектральных изображений радиосигналов и их последующей классификации с помо-
  щью обученной нейронной сети. В работе представлены результаты экспериментальных исследо-
  ваний, проведённых на наборе данных, включающем более 10 000 образцов радиосигналов различ-
  ных типов. Показано, что предложенная методика обеспечивает точность распознавания до 93%
  при работе с зашумлёнными сигналами и вероятность ложной тревоги не более 0,05. Особое вни-
  мание уделено вопросам выбора архитектуры нейронной сети под специфику задачи радиомони-
  торинга. Также было детально рассмотрены варианты преобразования в спектральное изобра-
  жение радиосигналов, для обработки в режиме реального времени. Разработаны методы предва-
  рительной обработки данных, включающие нормализацию амплитуды, частотную коррекцию и
  устранение помех. Результаты исследования могут найти применение в системах контроля ра-
  диоэфира и обеспечения электромагнитной совместимости радиоэлектронных средств. Получен-
  ные результаты демонстрируют перспективность использования СНС в задачах технического
  распознавания объектов радиомониторинга и открывают новые возможности для развития ме-
  тодов интеллектуальной обработки радиолокационной информации. Перспективные направления
  дальнейших исследований включают разработку адаптивных методов обучения нейронных сетей
  в условиях изменяющейся радиообстановки и создание гибридных систем, сочетающих традици-
  онные методы обработки сигналов с современными нейросетевыми алгоритмами

• АНАЛИЗ МЕТОДОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА, ПРИМЕНЯЕМЫХ ДЛЯ РЕШЕНИЯ ЗАДАЧ ПСИХИАТРИИ

  Е. С. Подоплелова

  2022-05-26

  Аннотация ▼

  Использование методов искусственного интеллекта в области медицины получило
  широкое распространение, помогая диагностировать, анализировать и давать рекоменда-
  ции по лечению. Психиатрия – это область медицины, изучающая психические расстрой-
  ства, методы их диагностики и лечения. В спектр ее задач входит не только диагностика
  и лечение, но также наблюдение, мониторинг и последующая реабилитация пациентов.
  Эта предметная область имеет существенные проблемы, такие как объективность, про-
  тиворечивость диагноза, сложность классификации болезней, непредсказуемость течения
  заболевания. С рядом этих проблем помогает справиться использование методов машин-
  ного обучения и алгоритмы искусственного интеллекта. Данная работа посвящена обзору
  исследований методов искусственного интеллекта, применяемых для решения задач в об-
  ласти психиатрии. Актуальность темы обусловлена высокой потребностью данной пред-
  метной области в улучшениях. Конкретные проблемы представлены в данной статье.
  Среди них были выделены основные направления: деидентификация данных, классификация
  тяжести симптомов, точность прогнозирования состояния. Для их решения авторами
  были применены такие методы как латентный семантический анализ для обработки ес-
  тественного языка, методы классификации, сверточные нейронные сети для прогнозиро-
  вания, когнитивное моделирование. Отдельно отмечена эффективность гибридных сис-
  тем, включающих реализацию сразу нескольких метолов машинного обучения. Целью ис-
  следования было выделить основные направления развития исследований научного сообще-
  ства, которые демонстрируют успешную интеграцию искусственного интеллекта в пси-
  хиатрию, а также сравнение их между собой по полученным оценкам точности моделей.
  Что, в свою очередь, подразумевает разбор и анализ конкретных алгоритмов, их произво-
  дительность для конкретных задач.

• ИССЛЕДОВАНИЕ ОГРАНИЧЕНИЙ ПРИМЕНИМОСТИ МИКРОПРОЦЕССОРОВ РЯДА ЭЛЬБРУС ДЛЯ РЕШЕНИЯ ЗАДАЧ ТЕХНИЧЕСКОГО ЗРЕНИЯ

  К. А. Суминов , Н. А. Бочаров

  2022-04-21

  Аннотация ▼

  Одним из ключевых направлений развития области искусственного интеллекта явля-
  ется направление технического зрения. Для ресурсоемких задач технического зрения соз-
  даются высокопроизводительные вычислительные комплексы (ВК), использующие специа-
  лизированные ускорители. Использование таких ускорителей обусловлено неспособностью
  микропроцессоров (МП) общего назначения решить такие задачи за поставленное время
  вследствие большой вычислительной нагрузки. Однако, в настоящее время, МП ряда Эль-
  брус успешно используются для решения задач технического зрения как в серверном, так и
  в бортовом режимах, а появление МП Эльбрус шестого поколения должно еще больше
  повысить производительность на таких задачах. В силу дороговизны, большей сложности
  и ограничений в использовании систем со специализированными ускорителями встает во-
  прос об определении условий, в которых для решения рассматриваемых задач достаточно
  использовать МП общего назначения, например из ряда Эльбрус, без специальных ускори-
  телей. Одними из самых ресурсоемких задач в области технического зрения являются за-
  дачи обнаружения и классификации объектов на изображении. Для обнаружения объектов
  одним из популярных методов является метод Виолы-Джонса. Для решения задачи клас-
  сификации как правило используются сверточные нейронные сети. На примере сетей
  VGG16 и VGG19 разработаны математические модели вычислений применительно к ак-
  туальным микропроцессорам ряда Эльбрус. С использованием разработанных моделей
  обоснована теоретическая достаточность производительность микропроцессоров Эль-
  брус для задач технического зрения. Также, на основе данных методов разработаны про-
  граммы моделирования поиска и объектов на фото и в видеопотоке. Программы написаны
  на языке C++ с использованием библиотеки OpenCV, ОПО Эльбрус, библиотеки Платфор-
  мы-ГНС и базы данных соревнований ImageNet. С использованием реализованных программ
  было проведено сравнительное тестирование на ряде ВК с процессорами Эльбрус, а также
  ВК с процессорами intel и ускорителем в виде видеокарты Nvidia. На основе полученных
  результатов показано, что для решения задачи поиска объектов на изображении выбран-
  ным методом достаточно МП Эльбрус-8С для входных разрешений до 1920 х 1080, где
  обеспечивается скорость обработки видеопотока более 20 кадров в секунду.

• АЛГОРИТМ ПРЕДВАРИТЕЛЬНОЙ ОБРАБОТКИ ВИДЕОИЗОБРАЖЕНИЙ ДЛЯ ПОВЫШЕНИЯ ТОЧНОСТИ ОБНАРУЖЕНИЯ МАЛОРАЗМЕРНЫХ ОБРАЗОВ

  В. В. Ковалев , Н. Е. Сергеев

  2021-12-24

  Аннотация ▼

  Распознавание определенных образов в видеоизображениях, снятой камерой, осуще-
  ствляется с помощью методов обучения на основе сверточных нейронных сетей. Чем
  больше количество образов с множеством признаков и разнообразнее обучающая выборка
  видеоизображений, тем лучше сверточные нейронные сети извлекают признаки из после-
  довательности видеоизображений, которые не были включены в обучающую выборку. Это
  является следствием повышения точности обнаружения визуальных образов на видеоизоб-
  ражениях, содержащих признаки целевых образов. Однако, существуют ограничения в
  улучшении характеристик обнаружения, когда размеры образа, который нужно обнару-
  жить, значительно меньше, чем область фона или, когда образ описан малым количеством
  информации. Для решения проблем подобного рода авторами статьи разработан алго-
  ритм пространственно-временного комплексирования информации о движении динамиче-
  ских образов. Алгоритм обрабатывает фиксированное количество видеоизображений в
  определенные моменты времени и извлекает новые независимые признаки движения дина-
  мических образов на основе пространственно-временной обработки видеоизображений.
  Далее объединяет новые локальные признаки движения с исходными признакам видеоизоб-
  ражения. Это позволяет добавить признак движения динамических образов с сохранением
  исходных признаков изображения, описывающих статичные образы. Области видеоизоб-
  ражения, характеризующие признак движения, отображаются «цветным» кластером.
  Применение предварительной обработки направлено на повышение точности обнаруже-
  ния образов при условии наличия динамических визуальных образов на статичном заднем
  фоне. Если камера работает в режиме сканирования, то статичный задний фон можно
  обеспечить стабилизатором видеоизображений. Экспериментальным путем получены
  оценки интегральных критериев точности детекционных нейросетевых алгоритмов, пока-
  зывающие увеличение в точности обнаружения визуальных образов с применением алго-
  ритма пространственно-временного комплексирования информации о движении.