Анализ алгоритмов поиска объектов на изображениях с использованием различных модификаций сверточных нейронных сетей
Ключевые слова:
поиск объектов, классификация объектов, нейронные сети, глубокое обучение, R-CNN, Fast R-CNN, Faster R-CNN
Аннотация
Рассматриваются задачи поиска и классификации объектов на изображениях с использованием современных алгоритмов компьютерного зрения. Приведено описание основных типов алгоритмов и методов для поиска объектов, основанных на использовании глубоких нейронных сетей. Проведен сравнительный анализ и моделирование нейросетевых алгоритмов для решения задачи классификации и поиска объектов на изображениях. Приведены результаты тестирования нейросетевых моделей с различными архитектурами на наборах данных VOC2007 и COCO. Проанализированы результаты исследования точности распознавания в зависимости от различных гиперпараметров обучения. Исследовано изменение значения времени определения местоположения объекта в зависимости от различных архитектур нейронной сети.
Скачивания
Данные скачивания пока не доступны.
Литература
1. Бутенко, В. В. Поиск объектов на изображении с использованием алгоритма адаптивного усиления / В. В. Бутенко // Молодой ученый. – 2015. – No4. – С. 52–56.
2. Борисов, Е. О. О задаче поиска объекта на изображении. Часть 2: Применение методов машинного обучения. [Электронный ресурс] / Е. О. Борисов // Обработка изображений. – URL: http://mechanoid.kiev.ua/cv-image-detector2.html
3. Dalal, N. Histograms of oriented gradients for human detection / N. Dalal, B. Triggs // IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR’05), San Diego, CA, USA. – 2005. – No 1. – С. 886–893.
4. Артемов, А. А. Проблема поиска объектов на изображениях с помощью компьютерного зрения на основе информации о цвете / А. А. Артемов, М. В Кавалеров, Г. С. Кузнецов // Вестник ПНИПУ. Электротехника, информационные технологии, системы управления. – 2011. – No 5.
5. Акимов, А.В. Модели и алгоритмы искусственного размножения данных для обучения алгоритмов распознавания лиц методом Виолы-Джонса / А. В. Акимов, А. А. Сирота // Компьютерная оптика. – 2016. – No 6. – С. 899–906.
6. Viola, P. Robust real time face detection / P. Viola., M. Jones // International Journal of Computer Vision. – 2004. – No 57(2). – C. 137–154.
7. Нгуен, Т. Т. Алгоритмическое и программное обеспечение для распознавания фигур с помощью Фурье – дескрипторов и нейронной сети / Т. Т. Нгуен // Известия Томского политехнического университета. – 2010. – No 5. – С. 122–125.
8. R-CNN, Fast R-CNN, Faster R-CNN, YOLO – Object Detection Algorithms [Электронный ресурс]. – URL: https://towardsdatascience.com/r-cnn-fast-r-cnn-faster-r-cnn-yolo-object-detection-algorithms-36d53571365e
9. Girshick, R. Region-Based Convolutional Networks for Accurate Object Detection and Segmentation / R. Girshick , J. Darrell, T. Malik // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 2015. – No 38.
10. Girshick, R. Fast R-CNN / R. Girshick // International Conference on Computer Vision (ICC). – 2015.
11. Girshick, R. Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks / R. Girshick, R. Shaoqing, H. Kaiming // Neural Information Processing Systems (NIPS). – 2015.
12. Mask R-CNN: архитектура современной нейронной сети для сегментации объектов на изображениях. – URL: https://habr.com/ru/post/421299
13. Wang, Yuanyuan. Automatic Ship Detection Based on RetinaNet UsingMulti-Resolution / Y. Wang, C. Wang , H. Zhan, G. Yingbo, S. Wei // Remote Sensing. – 2019. – No 11. – С. 531
14. The PASCAL Visual Object Classes Challenge 2007 (VOC2007). – URL: http://host.robots.ox.ac.uk/pascal/VOC/voc2007/
15. Microsoft COCO: Common Objects in Context. – URL: http://cocodataset.org/#home
16. Zitnick, С. Edge boxes: Locating object proposals from edges / С. Zitnick, P. Dollár. // Computer Vision. - 2014. - С. 391–405.
17. Sande, J. Selective Search for Object Recognition / J. Sande, K. Gevers, T. Smeulders // International Journal of Computer Vision. – 2013. – No104. – С. 154.
2. Борисов, Е. О. О задаче поиска объекта на изображении. Часть 2: Применение методов машинного обучения. [Электронный ресурс] / Е. О. Борисов // Обработка изображений. – URL: http://mechanoid.kiev.ua/cv-image-detector2.html
3. Dalal, N. Histograms of oriented gradients for human detection / N. Dalal, B. Triggs // IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR’05), San Diego, CA, USA. – 2005. – No 1. – С. 886–893.
4. Артемов, А. А. Проблема поиска объектов на изображениях с помощью компьютерного зрения на основе информации о цвете / А. А. Артемов, М. В Кавалеров, Г. С. Кузнецов // Вестник ПНИПУ. Электротехника, информационные технологии, системы управления. – 2011. – No 5.
5. Акимов, А.В. Модели и алгоритмы искусственного размножения данных для обучения алгоритмов распознавания лиц методом Виолы-Джонса / А. В. Акимов, А. А. Сирота // Компьютерная оптика. – 2016. – No 6. – С. 899–906.
6. Viola, P. Robust real time face detection / P. Viola., M. Jones // International Journal of Computer Vision. – 2004. – No 57(2). – C. 137–154.
7. Нгуен, Т. Т. Алгоритмическое и программное обеспечение для распознавания фигур с помощью Фурье – дескрипторов и нейронной сети / Т. Т. Нгуен // Известия Томского политехнического университета. – 2010. – No 5. – С. 122–125.
8. R-CNN, Fast R-CNN, Faster R-CNN, YOLO – Object Detection Algorithms [Электронный ресурс]. – URL: https://towardsdatascience.com/r-cnn-fast-r-cnn-faster-r-cnn-yolo-object-detection-algorithms-36d53571365e
9. Girshick, R. Region-Based Convolutional Networks for Accurate Object Detection and Segmentation / R. Girshick , J. Darrell, T. Malik // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 2015. – No 38.
10. Girshick, R. Fast R-CNN / R. Girshick // International Conference on Computer Vision (ICC). – 2015.
11. Girshick, R. Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks / R. Girshick, R. Shaoqing, H. Kaiming // Neural Information Processing Systems (NIPS). – 2015.
12. Mask R-CNN: архитектура современной нейронной сети для сегментации объектов на изображениях. – URL: https://habr.com/ru/post/421299
13. Wang, Yuanyuan. Automatic Ship Detection Based on RetinaNet UsingMulti-Resolution / Y. Wang, C. Wang , H. Zhan, G. Yingbo, S. Wei // Remote Sensing. – 2019. – No 11. – С. 531
14. The PASCAL Visual Object Classes Challenge 2007 (VOC2007). – URL: http://host.robots.ox.ac.uk/pascal/VOC/voc2007/
15. Microsoft COCO: Common Objects in Context. – URL: http://cocodataset.org/#home
16. Zitnick, С. Edge boxes: Locating object proposals from edges / С. Zitnick, P. Dollár. // Computer Vision. - 2014. - С. 391–405.
17. Sande, J. Selective Search for Object Recognition / J. Sande, K. Gevers, T. Smeulders // International Journal of Computer Vision. – 2013. – No104. – С. 154.
Опубликован
2019-09-10
Как цитировать
Сирота, А. А., Митрофанова, Е. Ю., & Милованова, А. И. (2019). Анализ алгоритмов поиска объектов на изображениях с использованием различных модификаций сверточных нейронных сетей. Вестник ВГУ. Серия: Системный анализ и информационные технологии, (3), 123-137. https://doi.org/10.17308/sait.2019.3/1313
Выпуск
Раздел
Интеллектуальные информационные системы
- Авторы сохраняют за собой авторские права и предоставляют журналу право первой публикации работы, которая по истечении 6 месяцев после публикации автоматически лицензируется на условиях Creative Commons Attribution License , которая позволяет другим распространять данную работу с обязательным сохранением ссылок на авторов оригинальной работы и оригинальную публикацию в этом журнале.
- Авторы имеют право размещать их работу в сети Интернет (например в институтском хранилище или персональном сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению и большему количеству ссылок на данную работу (См. The Effect of Open Access).
