Найти

Результаты поиска

• СОВРЕМЕННЫЕ МЕТОДЫ ОБРАБОТКИ ГИПЕРСПЕКТРАЛЬНЫХ ИЗОБРАЖЕНИЙ: СИСТЕМНЫЙ АНАЛИЗ, АЛГОРИТМЫ И ПЕРСПЕКТИВЫ ПРИМЕНЕНИЯ В СТРОИТЕЛЬНОЙ ДИАГНОСТИКЕ

  М. А. Филонова , С. Н. Широбокова

  188-208

  2026-07-07

  Аннотация ▼

  Актуальность исследования обусловлена ростом интереса к гиперспектральным изображениям как инструменту неразрушающего контроля строительных материалов и конструкций, а также недостаточной систематизацией современных методов их обработки. Цель работы состоит в системном анализе алгоритмов обработки HSI, выявлении их преимуществ, ограничений и перспектив применения в задачах строительной диагностики. В исследовании рассмотрены особенности гиперспектральных данных, включая высокую размерность, шумы, калибровочные погрешности, атмосферные искажения и дефицит размеченных выборок. Показана эволюция подходов от классических методов машинного обучения и ручного конструирования признаков к глубоким нейронным сетям. Проанализированы методы снижения размерности, классификаторы kNN, байесовские модели, логистическая регрессия, Random Forest, SVM и MLP, а также способы учета спектрально-пространственного контекста. Особое внимание уделено современным архитектурам глубокого обучения: 1D-, 2D- и 3D-CNN, RNN, LSTM/GRU, гибридным CNN–RNN-моделям, трансформерам и CNN–Transformer-схемам. Отдельно рассмотрены transfer learning, semi-supervised learning, self-supervised learning, few-shot learning, meta-learning и domain adaptation как способы преодоления ограниченности разметки. Выполнено сопоставление подходов по требованиям к данным, вычислительной сложности, устойчивости к шумам, способности учитывать спектральные и пространственные зависимости. Показано, что наиболее перспективными для строительной диагностики являются гибридные модели, сочетающие локальные признаки сверток, глобальный контекст внимания и возможность дообучения на малых специализированных выборках. Работа обобщает современное состояние области и формирует основу для выбора методов обнаружения дефектов, оценки влажности, коррозии и деградации строительных конструкций. Сформулированные выводы могут использоваться при проектировании экспериментальных протоколов и выборе архитектур для последующих прикладных исследований в области мониторинга зданий.

• ГИБРИДНЫЙ ПОДХОД К БЕЗОПАСНОСТИ ШАБЛОНОВ БИОМЕТРИЧЕСКИХ ДАННЫХ ВЕН ПАЛЬЦА НА ОСНОВЕ ГЛУБОКОГО ОБУЧЕНИЯ

  Шендре Шивам , Шубханги Сапкал

  2020-10-11

  Аннотация ▼

  Мы живем в современном обществе, где у нас достаточно много ресурсов и вычис-
  лительной мощности, единственной проблемой остается общественная безопасность.
  С развитием технологий личная информация становится все более не защищенной. По-
  этому идентификация личности является актуальной проблемой. Существующие тради-
  ционные методы защиты личной информации оказались не надежными. Защита биомет-
  рических параметров является одной из наиболее важных проблем при обеспечении безо-
  пасности современной биометрической системы. Имеющиеся алгоритмы не дают адек-
  ватного решения этой проблемы. Поэтому мы попытались предложить метод, который
  будет более актуальным. В этой статье обсуждается гибридный метод биометрического
  распознавания вен на пальцах, основанный на методе глубокого обучения с использованием
  схем двоичной диаграммы принятия решений и нечетких обязательств. Предложенный
  гибридный метод состоит из четырех частей, а именно: извлечение признаков вены паль-
  ца, генерация защищенного шаблона, схема нечеткой фиксации, распознавание и принятие
  решения о структуре вен на пальце. Таким образом, имеются четыре модуля, при этом
  каждый модуль работает эффективно и дает точные результаты по всем базам данных.

• УПРАВЛЕНИЕ МОБИЛЬНЫМ РОБОТОМ С ПРИМЕНЕНИЕМ НЕЙРОННОЙ СЕТИ ДЛЯ ПЛАНИРОВАНИЯ ДВИЖЕНИЯ В НЕКАРТОГРАФИРОВАННОЙ СРЕДЕ С ПРЕПЯТСТВИЯМИ

  А. К. Фархуд

  99-114

  2022-01-31

  Аннотация ▼

  В данной работе применяется нейронная сеть глубокого обучения специальной
  структуры, которая позволяет мобильному роботу перемещаться без столкновения с
  препятствиями в неизвестной среде. Основными проблемами, на решение которых направ-
  лены усилия исследователей в области нейросетевых планировщиков движения, являются
  повышение производительности нейронных сетей, оптимизация их структуры и автома-
  тизация процессов обучения. Основным результатом данной статьи является новый ите-
  рационный алгоритм разработки обучающего набора. На первой итерации разрабатыва-
  ется стартовый обучающий набор и производится начальное обучение нейронной сети.
  В следующих итерациях обученная на предыдущем этапе нейронная сеть используется в
  качестве фильтра для следующих обучающих наборов. Фильтр выбирает траектории с
  коллизиями, обусловленными ошибками нейронной сети. В процессе обучения количество
  сверточных и полностью связанных слоев итеративно увеличивается. Таким образом,
  предложенный алгоритм позволяет разработать как обучающий набор, так и архитекту-
  ру нейронной сети. Выполняется сравнение результатов обучения для отфильтрованных и
  нефильтрованных наборов. Подтверждена высокая эффективность фильтрации, в ре-
  зультате которой изменяется распределение примеров в обучающей выборке. Алгоритм
  может быть использован для разработки блока планирования системы управления мобильными наземными роботами. В статье приводится пример обучения нейронной сети в
  среде моделирования Matlab. В примере проведено пять итераций обучения, в ходе которых
  достигнута точность более 90 %. Данная точность получена с использованием набранной
  статистики по движению мобильного робота в случайно генерируемой среде. Плотность
  заполнения среды препятствиями составляла до 40 %, что соответствует городским
  условиям. Проведено сравнение нейросетевых планировщиков, обученных с помощью пред-
  ложенной итерационной процедуры и при обычном обучении. Сравнение показало, что
  применение итерационной процедуры повышает точность планирования до 12 – 15 %. При
  этом исходный объем обучающей выборки уменьшается в несколько раз за счет применяе-
  мой фильтрации.

• 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.

• МОДЕЛИ МАШИННОГО ОБУЧЕНИЯ И ГЛУБОКОГО ОБУЧЕНИЯ ДЛЯ ЭЛЕКТРОННОЙ ИНФОРМАЦИОННОЙ БЕЗОПАСНОСТИ В МОБИЛЬНЫХ СЕТЯХ

  Ауси Рим Мохаммед Худхейр, Е. В. Заргарян , Ю. А. Заргарян

  2022-08-09

  Аннотация ▼

  Недавние достижения в технологиях беспроводной связи привели к созданию огром-
  ного количества данных, которые передаются повсеместно. Большая часть такой инфор-
  мации является частью обширной и общедоступной сети, которая соединяет различные
  стационарные и мобильные устройства по всему миру. Возможности электронных уст-
  ройств также увеличиваются день ото дня, что приводит к большему объему генерации
  данных и обмена информацией через сети. Аналогичным образом, с ростом разнообразия и
  сложности структур мобильных сетей увеличилась частота возникновения нарушений
  безопасности в ней. Это препятствует внедрению интеллектуальных мобильных прило-
  жений и услуг, о чем свидетельствует большое разнообразие платформ, которые предос-
  тавляют услуги хранения данных, вычислений с данными и приложений конечным пользо-
  вателям. В таких сценариях становится необходимым защитить данные и проверить их
  использование в сети и приложениях, а также проверить их некорректное использование с
  целью защиты частной информации. Согласно данному исследованию, модель безопасно-
  сти на основе искусственного интеллекта должна обеспечивать конфиденциальность,
  целостность и надежность системы, ее оборудования и протоколов, управляющих сетью,
  независимо от ее создания, чтобы управлять такой сложной сетью, как мобильная. От-
  крытые трудности, с которыми все еще сталкиваются мобильные сети, такие как не-
  санкционированное сканирование сети, мошеннические ссылки и т.д., были тщательно
  изучены в данной статье. Также в данном материале обсуждаются несколько технологий
  машинного и глубокого обучения, которые можно использовать для создания безопасной
  среды, а также многие угрозы кибербезопасности. Необходимо обратиться к необходимо-
  сти разработки новых подходов для обеспечения высокого уровня безопасности электрон-
  ных данных в мобильных сетях, поскольку возможности повышения безопасности мобиль-
  ных сетей безграничны.

• ПОВЫШЕНИЕ УСТОЙЧИВОСТИ ДЕТЕКЦИИ СИАМСКИХ СЕТЕЙ ПРИ ОГРАНИЧЕННОЙ РАЗМЕТКЕ С ОТБОРОМ ТРУДНЫХ ПРИМЕРОВ

  С. Е. Бабин , П.А. Гессен , В.А. Павлова , В.А. Тупиков

  2026-04-29

  Аннотация ▼

  Цель работы – разработка и экспериментальная оценка метода повышения качества детекции морских судов на основе архитектуры Attention RPN при малом количестве обучающих данных с интеграцией межклассового выбора трудных отрицательных примеров. Для достижения цели реализованы: адаптация модели в режиме тонкой настройки на основе пяти примеров, формирование специализированного датасета из 9 категорий судов (637 обучающих и 175 валидационных изображений), а также алгоритм отбора трудных отрицательных пар по косинусной мере сходства. Методологическую основу составили подходы глубокого обучения для детекции объектов на основе сиамских нейронных сетей, анализ распределений признаков в пространстве и алгоритмы создания трудных отрицательных примеров с вычислением межклассовых расстояний на основе косинусной метрики. Экспериментальная оценка выполнена на стандартных бенчмарках для обнаружения объектов при малом количестве данных. Внедрение межклассового выбора трудных отрицательных примеров позволило сократить долю ложноположительных детекций на ~18% и повысить показатель mAP в среднем на ~6% по сравнению с базовой моделью без отбора трудных негативных примеров. Наибольший прирост (до 9,1%) зафиксирован для классов с крупными объектами интереса. Полученные результаты демонстрируют, что целенаправленный отбор межклассовых трудных отрицательных примеров существенно повышает устойчивость метрико-ориентированных детекторов в условиях сильного дисбаланса и высокой внутриклассовой схожести. Практическая значимость работы заключается в возможности применения предложенного подхода для развертывания систем видеонаблюдения в задачах при отсутствии большой обучающей выборки и минимальном объеме разметки

• ПРОГНОЗИРОВАНИЕ ОСТАТОЧНОГО СРОКА ПОЛЕЗНОГО ИСПОЛЬЗОВАНИЯ ТЕХНОЛОГИЧЕСКОГО ОБОРУДОВАНИЯ МЕТОДОМ ГЛУБОКОГО ОБУЧЕНИЯ LSTM

  Ю.А. Кораблев

  277-288

  2025-11-10

  Аннотация ▼

  Актуальность данного исследования обусловлена повсеместным внедрением предиктивных систем технического обслуживания. В современных промышленных условиях особую важность приобретает точное прогнозирование остаточного срока службы (RUL) критического оборудования. Однако традиционные методы анализа данных демонстрируют существенные ограничения при работе с многомерными нестационарными временными рядами, характеризующимися высокой степенью зашумленности и сложными нелинейными зависимостями. Это приводит к значительным погрешностям в прогнозах, неоптимальному планированию ремонтных работ и возрастанию рисков внезапных отказов, способных вызвать серьезные экономические потери и нарушения производственных процессов. Цель работы заключалась в разработке усовершенствованной модели прогнозирования RUL на основе глубоких рекуррентных нейронных сетей. Для достижения поставленной цели последовательно решались следующие задачи: проведение детального анализа и многоэтапной предобработки данных многомерного мониторинга; проектирование специализированной двухслойной LSTM-архитектуры с интегрированными механизмами регуляризации. Методы и подходы включали применение оригинальной методики, сочетающей каскадную организацию LSTM-слоев с нормализацией и dropout-регуляризацией. Обучение модели осуществлялось на наборе данных NASA Turbofan Engine Degradation Simulation с задействованием современного оптимизатора Adam и стратегии ранней остановки для предотвращения переобучения. Особое внимание уделялось разработке специализированных алгоритмов предобработки, позволяющих эффективно работать с зашумленными временными последовательностями и сохранять долгосрочные зависимости в данных. Основные результаты проведенных экспериментов демонстрируют высокую точность прогноза. Детальный визуальный анализ временных рядов подтвердил точное соответствие прогнозных значений реальной траектории износа механических компонентов. Выводы исследования свидетельствуют о высокой практической эффективности разработанной модели для решения актуальных задач промышленной прогностики. Установлена возможность успешной интеграции модели в современные системы предиктивного обслуживания технологического оборудования. Практическая значимость работы заключается в потенциале существенной оптимизации затрат на техническое обслуживание и минимизации рисков критических отказов. Перспективы дальнейших исследований связаны с развитием гибридных архитектур, интеграцией механизмов внимания и адаптацией модели для различных типов промышленного оборудования

• 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

• РАСПОЗНАВАНИЕ ИЗОБРАЖЕНИЙ СЕЛЬСКОХОЗЯЙСТВЕННЫХ КУЛЬТУР, РАСТЕНИЙ И ЛЕСНЫХ МАССИВОВ

  И. Б. Аббасов , Ратнадип Р. Дешмух

  2020-10-11

  Аннотация ▼

  Представлен обзор некоторых исследований по проблеме распознавания изображе-
  ний сельскохозяйственных культур, растений и лесных массивов. В этих системах распо-
  знавания изображений используются различные методы предварительной обработки,
  компьютерного зрения, глубокого обучения. В последнее время увеличиваются системы
  распознавания на основе мобильных устройств, что повышает их доступность и широкое
  распространение. Рассмотрены статьи по распознаванию, классификации плодов и фрук-
  тов в садах, создание банка данных этих аграрных продуктов (яблоки, груши, киви) для
  оценки созревания и урожайности. Описаны работы посвященные автоматизации сбора
  урожая зерновых культур на примере работы уборочного комбайна с применением машин-
  ного зрения. Растениеводство играет важную роль при обеспечении кормов для животно-
  водства, анализированы статьи по распознаванию сельскохозяйственных растений на
  основе изображений листьев. Также по состоянию листьев картофельных кустов можно
  определить их болезни, оценить состояние почвы. Приведены работы по разработке мо-
  бильных систем контроля и распознавания процесса выращивания грибов на основе техно-
  логии «зеленый дом» для фермерских хозяйств. С помощью дистанционной диагностики
  можно анализировать и контролировать состояние поверхности суши и морей. Для дис-
  танционного экологического мониторинга ландшафта земной поверхности описаны рабо-
  ты по распознаванию, классификации лесных массивов, водных ресурсов с применением
  гиперспектрального анализа спутниковых изображений.

• КВАНТОВОЕ ГЛУБОКОЕ ОБУЧЕНИЕ СВЁРТОЧНОЙ НЕЙРОННОЙ СЕТИ С ИСПОЛЬЗОВАНИЕМ ВАРИАЦИОННОЙ КВАНТОВОЙ СХЕМЫ

  С.М. Гушанский , В. Е. Буглов

  167-177

  2021-10-05

  Аннотация ▼

  Квантовый компьютинг в общем и квантовое глубокое обучение, в частности, представляют собой перспективную область, связанную с исследованиями современных методов и алгоритмов квантовых вычислений, применяемых с целью обучения и разработки новых архитектур искусственных нейронных сетей. В последнее время наблюдается тенденция, состоящая в том, что исследования, проводимые в области квантового глубокого обучения, получают всё большее распространение среди специалистов. Это можно объяснить тем, что было установлено – квантовые схемы способны функционировать подобно искусственным нейронным сетям, демонстрируя при этом лучшие результаты при решении ряда задач, среди которых, например, актуальная задача классификации объектов на изображении или в видеопотоке. Благодаря стремительному развитию квантовых вычислений в области глубокого обучения были найдены оптимальные способы решений для та-ких актуальных задач, как – проблема исчезающего градиента, нахождение локального минимума, повышение эффективности функционирования крупномасштабных параметри-ческих алгоритмов машинного обучения, устранение декогеренции и квантовых ошибок и пр. В рамках данной работы описан процесс функционирования квантовой вариационной схемы, установлены её основные характеристики и выявлены недостатки. Также проана-лизированы ключевые особенности квантовых вычислений, на которых основывается про-цесс реализации квантового глубокого обучения с подкреплением свёрточной нейросети. Кроме того, осуществлено квантовое глубокое обучение свёрточной нейронной сети с помощью применения вариационной квантовой схемы, что приводит к повышению производительности свёрточной нейросети в решении задачи обработки изображения, а именно его классификации, за счёт использования квантовой среды вычислений. Актуальность данной статьи состоит в реализации алгоритма квантового глубокого обучения с подкреплением свёрточной нейросети для обработки изображений, а также большом значении тематики данного исследования для будущей разработки квантовых вычислительных устройств, которые могут быть использованы в системах искусственного интеллекта и т.п., что соответствует приоритетному направлению развития отечественной науки

• ИНТЕЛЛЕКТУАЛЬНОЕ УПРАВЛЕНИЕ РОБОТОТЕХНИЧЕСКИМИ СРЕДСТВАМИ В ЗАДАЧЕ СЕГМЕНТАЦИИ НОР ГРЫЗУНОВ С ИСПОЛЬЗОВАНИЕМ ГЛУБОКИХ СВЕРТОЧНЫХ АРХИТЕКТУР

  М.А. Астапова

  19-30

  2025-04-27

  Аннотация ▼

  Исследуется применение нейросетевых архитектур для семантической сегментации нор
  грызунов с целью мониторинга их популяции на сельскохозяйственных полях. В частности, рас-
  сматриваются три модели для семантической сегментации: сверточный автокодировщик (САК),
  SegNet и U-Net. Эти модели применяются для анализа изображений, полученных с беспилотных летательных аппаратов (БпЛА) и наземных роботизированных средств (РТС), что позволяет
  автоматически выявлять норы, минимизируя необходимость в трудозатратах при обработке
  больших объемов данных. Для обучения и тестирования моделей была подготовлена выборка,
  включающая 247 RGB-изображений, содержащих 1098 размеченных нор. Оценка показателей ка-
  чества семантической сегментации проводилась с использованием метрики Джаккара (IoU), в
  результате чего были получены следующие значения: 0,511 для САК, 0,548 для SegNet и 0,529 для
  U-Net. Была проведена оценка вычислительных ресурсов, необходимых для внедрения этих моделей
  в бортовые вычислительные устройства (БВУ) мобильных РТС. Рассмотрены два критерия: ко-
  личество операций с плавающей точкой (GFLOPS) и количество параметров моделей. Результа-
  ты показали, что SegNet требует 2,23 GFLOPS и имеет 0,76 миллиона параметров, что в 2,58 и
  2,33 раза меньше по сравнению с САК и U-Net соответственно. Количество операций с плавающей
  точкой для SegNet также оказалось на 2,43 и 1,88 раза ниже, чем у САК и U-Net соответственно.
  В результате, SegNet превзошла САК и U-Net как в эффективности сегментации, так и в требуе-
  мых вычислительных ресурсах. Данная работа выполнялась в рамках реализации системы компь-
  ютерного зрения сельскохозяйственной РТС.