Россия
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.
глубокое машинное обучение, свёрточные нейронные сети, распознавание образов, обработка изображений, машинное зрение, системы автоматического слежения за объектом, функция активации
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.
