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

В настоящей работе поднимается вопрос о сохранении актуальности классического подхода структурного распознавания (искомый объект задается формальной моделью своей структуры). Предлагается подход к построению систем, комбинирующих структурное распознавание с обучением машин. Подход иллюстрируется на примере проектирования и реализации системы поиска отдельно стоящих строений на аэрофотоснимках. Обсуждаются дальнейшие перспективы использования формальных языков описания свойств объектов для обеспечения возможности быстрой модификации распознающих систем.

Ключевые слова: формальные модели, структурное распознавание образов, нейросетевые классификаторы, детекторы геометрических примитивов

DOI: 10.1134/S0235009218030125

Список литературы:

• Гладилин С.А., Котов А.А., Николаев Д.П., Усилин С.А. Построение устойчивых признаков детекции и классификации объектов, не обладающих характерными яркостными контрастами. Информационные технологии и вычислительные системы. 2014. Т. 6. № 1. С. 53–60.
• Григорьев А.С., Гладилин С.А., Ханипов Т.М., Коптелов И.А., Бочаров Д.А., Мацнев Д.Н. Архитектура системы детекции и классификации автомобилей средствами технического зрения в естественных условиях. Сенсорные системы. 2017. Т. 31. № 1. С. 72–84.
• Иванова А.А., Федоренко Ф.А., Коноваленко И.А. Подготовка обучающей выборки для создания нейросетевых проективно-инвариантных дескрипторов ключевых точек. Информационные технологии и системы. 2016. С. 303–308.
• Корнилов Ф.А., Костоусов К.В., Перевалов Д.С. Применение алгоритма Виолы-Джонса с двухточечными признаками для поиска антропогенных объектов в траве. Механика, управление и информатика. 2012. № 8. С. 214–216.
• Поляков И.В., Кузнецова Е.Г., Усилин С.А., Николаев Д.П. Построение оптимальных каскадов Виолы-Джонса при помощи “жадных” алгоритмов перебора управляющих параметров с промежуточным контролем по валидационной выборке. Сенсорные системы. 2016. Т. 30. № 3. С. 241–248.
• Фонд перспективных исследований. Открытый конкурс на лучшее решение в области создания интеллектуальных технологий дешифрирования видовой аэрокосмической информации. 2016. URL: http://fpi.gov.ru/activities/konkurs/spacemap
• Фу К. Структурные методы в распознавании образов. М.: Мир. 1977. 319 с.
• Albus J.E., Anderson R.H., Brayer J.M., DeMori R., Feng H.Y., Horowitz S.L., Vamos T. Syntactic pattern recognition, applications. Springer Science & Business Media. 2012. V. 14.
• Cheng G., Han J. A survey on object detection in optical remote sensing images. ISPRS Journal of Photogrammetry and Remote Sensing. 2016. V. 117. P. 11–28. 10.1016/j.isprsjprs. 2016.03.014.
• Dong Y., Du B., Zhang L. Target Detection Based on Random Forest Metric Learning. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 2015. V. 8. № 4. P. 1830–1838. 10.1109/JSTARS.2015.2416255.
• Fedorenko F.A., Ivanova A.A., Limonova E.E., Konovalenko I. A. Trainable Siamese keypoint descriptors for real-time applications. 2016 International Conference on Robotics and Machine Vision. 2017. V. 10253. P. 1025306. 10.1117/12.2266351.
• Fouhey D.F., Gupta A., Hebert M. Data-driven 3D primitives for single image understanding. Proceedings of the IEEE International Conference on Computer Vision. 2013. P. 3392–3399. 10.1109/ICCV.2013.421.
• Harris C., Stephens M. A combined corner and edge detector. Alvey vision conference. 1988. V. 15. № 50. P. 10–5244.
• Jiang H., Learned-Miller E. Face detection with the faster R-CNN. Automatic Face & Gesture Recognition. 2017. P. 650–657. 10.1109/FG.2017.82.
• Kuznetsova E., Shvets E., Nikolaev D. Viola-Jones based hybrid framework for real-time object detection in multispectral images. Proceedings SPIE. Eighth International Conference on Machine Vision (ICMV 2015). 2015. V. 9875. P. 98750N. 10.1117/12.2228707.
• Leninisha S., Vani K. Water flow based geometric active deformable model for road network. SPRS Journal of Photogrammetry and Remote Sensing. 2015. V. 102. P. 140–147. 10.1016/j.isprsjprs.2015.01.013.
• Lowe D.G. Object recognition from local scale-invariant features. Computer vision, 1999. The proceedings of the seventh IEEE international conference on. 1999. V. 2. P. 1150–1157. 10.1109/ICCV.1999.790410.
• Li Y., Wang S., Tian Q., Ding X. Feature representation for statistical-learning-based object detection: A review. Pattern Recognition. 2015. V. 48. № 11. P. 3542–3559. 10.1016/j.patcog.2015.04.018.
• Liu G., Sun X., Fu K., Wang H. Interactive geospatial object extraction in high resolution remote sensing images using shape-based global minimization active contour model. Pattern Recognition. 2013. V. 34 № 10. P. 1186–1195. 10.1016/j.patrec.2013.03.031.
• Malek S., Bazi Y., Alajlan N., AlHichri H., Melgani F. Efficient framework for palm tree detection in UAV images. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 2014. V. 7. № 12. P. 4692–4703. 10.1109/JSTARS.2014.2331425.
• Minkina A., Nikolaev D., Usilin S., Kozyrev V. Generalization of the Viola-Jones method as a decision tree of strong classifiers for real-time object recognition in video stream. Proceedings SPIE. Seventh International Conference on Machine Vision. 2015. V. 9445. 944517. P. 1–5. 10.1117/12.2180941.
• Pavlidis T. Structural pattern recognition. Springer. 2013. 304 p.
• Prun V., Bocharov D., Koptelov I., Sholomov D., Postnikov V. Geometric filtration of classification-based object detectors in realtime road scene recognition systems. Proceedings SPIE. Eighth International Conference on Machine Vision (ICMV 2015). 2015. V. 9875. P. 98750O. 10.1117/12.2228709.
• Stankov K., He D.-C. Detection of buildings in multispectral very high spatial resolution images using the percentage occupancy hit-or-miss transform. EEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 2014. V. 7. № 10. P. 4069–4080. 10.1109/JSTARS.2014.2308301.
• Villamizar M., Andrade-Cetto J., Sanfeliu A., Moreno-Noguer F. Boosted Random Ferns for Object Detection. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2018. V. 40. № 2. P. 272–288. 10.1109/TPAMI.2017.2676778.
• Viola P., Jones M.J. Robust real-time face detection. International journal of computer vision. 2004. V. 57. № 2. P. 137–154. 10.1023/B:VISI.0000013087.49260.fb.
• Zhang D., Han J., Cheng G., Liu Z., Bu S., Guo L. Weakly supervised learning for target detection in remote sensing images. IEEE Geoscience and Remote Sensing Letters. 2015. V. 12. № 4. P. 701–705. 10.1109/LGRS.2014.2358994
• Zheng Z., Zhou G., Wang Y., Liu Y., Li X., Wang X., Jiang L. A novel vehicle detection method with high resolution highway aerial image. EEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 2013. V. 6. № 6. P. 2338–2343. 10.1109/JSTARS.2013.2266131.