Том 32 №3

Содержание

1. ФУНДАМЕНТАЛЬНЫЕ ЗАКОНОМЕРНОСТИ ОБОНЯТЕЛЬНОГО ВОСПРИЯТИЯ ВЫСШИХ ЖИРНЫХ КИСЛОТ
2. АТТРАКТОРЫ ЗРИТЕЛЬНОГО ВНИМАНИЯ И АНАЛИЗ ЗРИТЕЛЬНЫХ СЦЕН
3. ВЛИЯНИЕ ПРЕДВАРЯЮЩЕЙ ЭКСПОЗИЦИИ ЗРИТЕЛЬНЫХ ИЗОБРАЖЕНИЙ НА РАЗЛИЧЕНИЕ ЗВУКОВЫХ СТИМУЛОВ У ДЕТЕЙ С ЗАДЕРЖКОЙ ПСИХИЧЕСКОГО РАЗВИТИЯ
4. ОБУЧЕНИЕ НЕЙРОСЕТЕВЫХ ДЕСКРИПТОРОВ ОСОБЫХ ТОЧЕК ДЛЯ СОПОСТАВЛЕНИЯ РАДИОЛОКАЦИОННЫХ И ОПТИЧЕСКИХ ИЗОБРАЖЕНИЙ
5. ГЕНЕРАЦИЯ ИСКУССТВЕННОЙ ОБУЧАЮЩЕЙ ВЫБОРКИ ДЛЯ ЗАДАЧИ РАСПОЗНАВАНИЯ СИМВОЛОВ ПОЛЕЙ ПАСПОРТА РФ
6. МЕТОДЫ АУГМЕНТАЦИИ ОБУЧАЮЩИХ ВЫБОРОК В ЗАДАЧАХ КЛАССИФИКАЦИИ ИЗОБРАЖЕНИЙ
7. НЕЙРОСЕТЕВЫЕ МОДЕЛИ МУЛЬТИСЕНСОРНОГО ДЕТЕКТОРА ПРИСУТСТВИЯ ТРАНСПОРТНОГО СРЕДСТВА В ЗОНЕ КЛАССИФИКАЦИИ ПУНКТА ВЗИМАНИЯ ПЛАТЫ
8. ПОСТРОЕНИЕ МЕТРИЧЕСКОГО ПРИЗНАКОВОГО ПРОСТРАНСТВА ПРИ ПОМОЩИ СИАМСКИХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ВЫЧИСЛЕНИЯ КАРТЫ ДИСПАРАТНОСТИ
9. АПРОБАЦИЯ ПОДХОДА К РАСПОЗНАВАНИЮ ОБЪЕКТОВ, ЗАДАННЫХ ФОРМАЛЬНЫМ ОПИСАНИЕМ НАБЛЮДАЕМЫХ СВОЙСТВ, НА ПРИМЕРЕ ЗАДАЧИ ПОИСКА ОБЪЕКТОВ НА АЭРОФОТОСНИМКАХ

Одним из основных подходов к распознаванию образов на изображениях является машинное обучение, в частности, обучение искусственных нейронных сетей (ИНС). Обычно для эффективного обучения ИНС требуется выборка большого размера, состоящая из десятков или сотен тысяч элементов. На практике сбор такого объема данных до запуска системы в эксплуатацию очень трудоемок. В статье описываются существующие в литературе методы эффективного обучения классификатора при отсутствии большой обучающей выборки. Детально рассматривается один из методов – аугментация данных, также обсуждаются существующие подходы к аугментации данных и описывается разработанный авторами систематический подход к выбору аугментаций и их параметров.

Ключевые слова: машинное обучение, аугментация данных, синтез данных, обработка изображений, компьютерное зрение, распознавание образов

DOI: 10.1134/S0235009218030058

Список литературы:

• Бочаров Д., Коптелов И., Кузнецова Е. Детекторы проездов на основе технического зрения в автоматическом классификаторе транспортных средств. Сборник трудов 39-й междисциплинарной школыконференции ИППИ РАН “Информационные технологии и системы 2015”. 2015. С. 485–497.
• Иванова А., Кузнецова Е., Николаев Д. Прикладные особенности обучения нейросетевых классификаторов в индустриальных задачах распознавания образов. Сборник трудов 39-й междисциплинарной школы-конференции ИППИ РАН “Информационные технологии и системы 2015”. 2015. С. 1169–1184.
• Button K.S., Ioannidis J.P., Mokrysz C., Nosek B.A., Flint J., Robinson E. S., Munafò M.R. Power failure: why small sample size undermines the reliability of neuroscience. Nature Reviews Neuroscience. 2013. V. 14. № 5. P. 365–376. 10.1038/nrn3475.
• Campos T. E., Bodla R. B., Varma M. The Chars74K dataset. 2009. URL: www.ee.surrey.ac.uk/CVSSP/demos/chars74k.
• Cireşan D., Meier U., Schmidhuber J. Multi-column deep neural networks for image classification. Computer Vision and Pattern Recognition (CVPR), 2012 IEEE Conference on. 2012а. P. 3642–3649.
• Cireşan D.C., Meier U., Schmidhuber J. Transfer learning for Latin and Chinese characters with deep neural networks. Neural Networks (IJCNN), The 2012 International Joint Conference on. 2012б. P. 1–6.
• Fawzi A., Samulowitz H., Turaga D., Frossard P. Adaptive data augmentation for image classification. Image Processing (ICIP), 2016 IEEE International Conference on. 2016. P. 3688–3692.
• Fei-Fei L., Fergus R., Perona P. One-shot learning of object categories. IEEE transactions on pattern analysis and machine intelligence. 2006. V. 28. № 4. P. 594–611.
• Griffin G., Holub A., Perona P. Caltech-256 object category dataset. Technical Report 7694, California Institute of Technology. 2007. URL: http://authors.library.caltech.edu/7694
• Ilin D.A., Krivtsov V. E. Creating Training Datasets For OCR In Mobile Device Video Stream. Proceedings 29th European Conference on Modelling and Simulation. 2015. P. 516–520.
• Kennard D.J., Barrett W.A., Sederberg T.W. Word warping for offline handwriting recognition. Document Analysis and Recognition (ICDAR), 2011 International Conference on. 2011. P. 1349–1353. 10.1109/ICDAR.2011.271.
• Khanipov T., Koptelov I., Grigoryev A., Kuznetsova E., Nikolaev D. Vision-based industrial automatic vehicle classifier. Seventh International Conference on Machine Vision. 2015. V. 9445. P. 1–5. 10.1117/12.2181557.
• Krizhevsky A., Sutskever I., Hinton G.E. Imagenet classification with deep convolutional neural networks. Advances in neural information processing systems. 2012. P. 1097–1105. 10.1145/3065386.
• Krizhevsky A. Learning multiple layers of features from tiny images. Master’s thesis. Department of Computer Science. University of Toronto. 2009. 60 p.
• LeCun Y., Bottou L., Bengio Y., Haffner P. Gradient-based learning applied to document recognition. Proceedings of the IEEE. 1998. V. 86. № 11. P. 2278–2324.
• Nijhuis J.A.G., Brugge M.H., Helmholt K.A., Pluim J.P.W., Spaanenburg L., Venema R.S., Westenberg M.A. Car license plate recognition with neural networks and fuzzy logic. Neural Networks, 1995. Proceedings., IEEE International Conference on. 1995. V. 5. P. 1–5.
• Oquab M., Bottou L., Laptev I., Sivic J. Learning and transferring mid-level image representations using convolutional neural networks. Proceedings of the IEEE conference on computer vision and pattern recognition. 2014. P. 1717–1724. 10.1109/CVPR.2014.222.
• Paulin M., Revaud J., Harchaoui Z., Perronnin F., Schmid C. Transformation pursuit for image classification. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2014. P. 3646–3653. 10.1109/CVPR.2014.466.
• Povolotskiy M.A., Kuznetsova E.G., Khanipov T.M. Russian License Plate Segmentation Based on Dynamic time Wrapping. Proceedings 31th European Conference on Modelling and Simulation. (in print)
• Ronneberger O., Fischer P., Brox T. U-net: Convolutional networks for biomedical image segmentation. International Conference on Medical Image Computing and Computer-Assisted Intervention. Springer, Cham. 2015. P. 234–241. 10.1007/978-3-319-24574-4.
• Rothe R., Timofte R., Van Gool L. Dex: Deep expectation of apparent age from a single image. Proceedings of the IEEE International Conference on Computer Vision Workshops. 2015. P. 10–15. 10.1109/ICCVW.2015.41.
• Rowley H.A., Baluja S., Kanade T. Neural network-based face detection. IEEE Transactions on pattern analysis and machine intelligence. 1998. V. 20. № 1. P. 23–38.
• Sáiz-Abajo M.J., Mevik B.H., Segtnan V.H., Næs T. Ensemble methods and data augmentation by noise addition applied to the analysis of spectroscopic data. Analytica Chimica Acta. 2005. V. 533. № 2. P. 147–159. 10.1016/j.aca.2004.10.086.
• Seni G., Elder J.F. Ensemble methods in data mining: improving accuracy through combining predictions. Synthesis Lectures on Data Mining and Knowledge Discovery. 2010. V. 2. № 1. P.
• Sladojevic S., Arsenovic M., Anderla A., Culibrk D., Stefanovic D. Deep neural networks based recognition of plant diseases by leaf image classification. Computational intelligence and neuroscience. 2016. V. 2016. P. 1–12. 10.1109/CVPR.2014.466.
• Srivastava N., Hinton G.E., Krizhevsky A., Sutskever I., Salakhutdinov R. Dropout: a simple way to prevent neural networks from overfitting. Journal of machine learning research. 2014. V. 15. № 1. P. 1929–1958.
• Vinyals O., Blundell C., Lillicrap T., Wierstra D. Matching networks for one shot learning. Advances in Neural Information Processing Systems. 2016. P. 3630–3638.