Analysis of algorithms for searching objectsin images using various modificationsof convolutional neural networ
Keywords:
object detection, object classification, neural networks, deep learning, RCNN, Fast RCNN, Faster RCNN
Abstract
The article deals with the tasks of classifying and detecting objects in images using computer vision algorithms. The description of the main types of algorithms and methods for searching objects based on the use of deep neural networks is given. A comparative analysis and modeling of neural network algorithms for solving the problem of classification and search for objects in images has been carried out. The results of testing neural network models with different architectures on VOC2007 and COCO data sets are given. The results of the study of recognition accuracy are analyzed depending on various learning hyper-parameters. The change in the time value of determining the location of an object depending on various neural network architectures is investigated.
Downloads
Download data is not yet available.
References
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.
Published
2019-09-10
How to Cite
Сирота, А. А., Митрофанова, Е. Ю., & Милованова, А. И. (2019). Analysis of algorithms for searching objectsin images using various modificationsof convolutional neural networ. Proceedings of Voronezh State University. Series: Systems Analysis and Information Technologies, (3), 123-137. https://doi.org/10.17308/sait.2019.3/1313
Section
Intelligent Information Systems
Условия передачи авторских прав in English
