сотрудник
Нижний Новгород, Нижегородская область, Россия
Нижегородская область, Россия
Нижегородская область, Россия
BISAC COM012000 Computer Graphics
Профориентационное тестирование предполагает наличие нескольких типов индивидов, а в случае, когда выходными данными тестирования являются изображения, характеризующие те или иные качества испытуемых, - нескольких типов (классов) изображений. Классы изображений включают выделенные искомые элементы, по наличию которых и определяется принадлежность изображения к тому или иному выделенному типу (классу). Имеется программный модуль ColourUnique M, позволяющий автоматизировать процесс тестирования и сохранения тестовых форм. Функции классификатора пока выполняет эксперт (педагог или психолог), что подразумевает погрешности оценки результата в силу индивидуальных особенностей человеческого восприятия, что может негативно сказаться на достоверности классификации. В статье рассмотрены два алгоритма оценки изображений (готовых тестовых форм), один из которых является нейросетевым, второй – алгоритм фильтрации с жестко обозначенными областями определения искомых элементов. При реализации указанных алгоритмов возник ряд проблем. Классификатор создается с целью повышения точности классификации как в сравнении с экспертной оценкой, так и с первыми полученными экспериментальными данными. Для достижения наиболее достоверных результатов классификации, авторами рассматривается возможность реализации гибридного классификатора для задач профориентации.
нейросеть, алгоритм, классификация, распознавание элементов, фильтр
1. Tsvetkov A. A. Algorithms for object recognition / A. A. Tsvetkov, D. K. Shorokh, M. G. Zubareva [et al.] / / Technical Sciences: problems and prospects: materials of the IV international conference. nauch. konf. - Saint Petersburg: Its publishing house, 2016. - P. 20-28. - URL: https://moluch.ru/conf/tech/archive/166/10825/ (accessed: 08.05.2020).
2. Proforientator.ru Career guidance tests [Electronic resource]: Website - https://proforientator.ru/tests/ (accessed 26.05.2020).
3. Tarasova, I.S. Implementation of algorithms of image analysis in the software package ColourUniquePRO with the aim of increasing the accuracy of classification types individuals / I.S. Tarasova, A.V. Chechin, V.V. Andreev // Computer Graphics and Vision. Proceedings of the 29th International Conference on Computer Graphics and Vision. Bryansk, Russia, September 23-26, 2019. – pp.189-193.
4. Utrobin, V. A. Computer image processing. Information models of the understanding stage: studies.manual / V. A. Utrobin. - N. Novgorod: NSTU, 2006. - 247 p.
5. Andrew G. Howard, Menglong Zhu, Bo Chen, Dmitry Kalenichenko, Weijun Wang, Tobias Weyand, Marco Andreetto, Hartwig Adam. MobileNets: Efficient Convolutional Neural Networks for Mobile VisionApplications. arXiv:1704.04861v1, 2017. – https://arxiv.org/pdf/1704.04861.pdf.
6. Christian Szegedy, Wei Liu, Yangqing Jia, Pierre Sermanet, Scott Reed, Dragomir Anguelov, Dumitru Erhan, Vincent Vanhoucke, Andrew Rabinovich. Going deeper with convolutions. arXiv:1409.4842v1, 2014. – https://arxiv.org/pdf/1409.4842.pdf.
7. Olaf Ronneberger, Philipp Fischer, and Thomas Brox. U-Net: Convolutional Networks for Biomedical Image Segmentation. arXiv:1505.04597v1, 2015. – https://arxiv.org/pdf/1505.04597.pdf.
8. Wikipedia. Stochastic gradient descent. [Electronic resource]: Website - wikipedia.org.
9. Keras-Open neural network library – https://keras.io/. (accessed: 08.05.2020).
10. Open CV-computer vision Library – https://opencv.org/.(date accessed: 08.05.2020).
11. Topunov, V.L. Combinatorics. Workshop on solving problems: textbook / V.L.Topunov; edited by V.I. Nechaev, V.G. Chirsky. - 2nd ed. - Moscow: MPSU, 2016. - 88 p.
12. Andreev V.V. Problems and prospects of implementation of the algorithm of classification of test forms of the color Unique Pro software complex / V.V. Andreev, I.S. Tarasova, A.V. Chechin / / Information systems and technologies-2020: [Electronic resource]: collection of materials of the XXVI International scientific and technical conference-Electron. Dan - N. Novgorod: NSTU, 2020. - P. 913-918. - URL: https://www.nntu.ru/frontend/web/ngtu/files/news/2020/05/12/ist2020/sbornik_ist2020.pdf
