, Россия
г. Москва и Московская область, Россия
ОКСО 02.04.02 Фундаментальная информатика и информационные технологии
ТБК 6021 Кибернетика. Теория игр
Работа посвящена разработке алгоритмов генерации синтетических данных для обучения моделей детекторов объектов на изображении. В качестве целевых моделей рассматриваются современные SOTA-архитектуры на основе сверточных нейронных сетей, а также методы их обучения. Выявляются особенности, которыми должна обладать обучающая выборка на основе синтетических данных, для устойчивой работы модели на множестве натуральных данных. Описываются предлагаемые методы и принципы генерации таких данных. В качестве сопровождающего практического примера рассматривается задача детектирования товарных единиц на полках продуктовых супермаркетов, в контексте которой производилось тестирование имплементированных алгоритмов.
алгоритмы, генерация синтетических данных, нейросетевые модели, детектирование, изображение
1. Liu, L., Ouyang, W., Wang, X. et al. Deep Learning for Generic Object Detection: A Survey. Int J Comput Vis 128, 261–318 (2020)
2. Everingham, M., Eslami, S.M.A., Van Gool, L. et al. The PASCAL Visual Object Classes Challenge: A Retrospective. Int J Comput Vis 111, 98–136 (2015)
3. Russakovsky, O., Deng, J., Su, H. et al. ImageNet Large Scale Visual Recognition Challenge. Int J Comput Vis 115, 211–252 (2015)
4. Lin TY. et al. (2014) Microsoft COCO: Common Objects in Context. In: Fleet D., Pajdla T., Schiele B., Tuytelaars T. (eds) Computer Vision – ECCV 2014. ECCV 2014. Lecture Notes in Computer Science, vol 8693. Springer, Cham
5. Felzenszwalb, P.F., Huttenlocher, D.P. Efficient Graph-Based Image Segmentation. International Journal of Computer Vision 59, 167–181 (2004)
6. Achanta, R., et al.: SLIC superpixels. Epfl (2010)
7. https://arxiv.org/abs/1406.2661
8. https://neuromation.io/
