Застосування нейронних мереж Кохонена для пошуку зон інтересу при виявленні і розпізнаванні об'єктів

Autor: Skuratov, Victor, Kuzmin, Konstantin, Nelin, Igor, Sedankin, Mikhail
Jazyk: angličtina
Rok vydání: 2019
Předmět:
Zdroj: Eastern-European Journal of Enterprise Technologies; Том 3, № 9 (99) (2019): Information and controlling system; 41-48
Восточно-Европейский журнал передовых технологий; Том 3, № 9 (99) (2019): Информационно-управляющие системы; 41-48
Східно-Європейський журнал передових технологій; Том 3, № 9 (99) (2019): Інформаційно-керуючі системи; 41-48
ISSN: 1729-3774
1729-4061
Popis: One of the most effective ways to improve accuracy and speed of recognition algorithms is to preliminary distinguish the regions of interest in the analyzed images. We studied a possibility of application of self-organizing maps and a Kohonen neural network for detection of regions of interest at a radar or satellite image of underlying surface. There is a high probability of finding an object of interest for further analysis in the found regions of interest. The definition of region of interest is necessary most of all to automate and speed up the process of search and recognition of objects of interest. The relevance is due to the increasing number of satellites. The study presents the process of modeling, analysis and comparison of the results of application of these methods for determination of regions of interest in recognition of images of aircraft against the background of underlying surface. It also describes the process of preliminary processing of input data. The study presents a general approach to construction and training of the Kohonen self-organizing map and neural network. Application of Kohonen maps and neural network makes it possible to decrease an amount of data analyzed by 15–100 times. It speeds up the process of detection and recognition of an object of interest. Application of the above algorithm reduces significantly the required number of training images for a convolutional network, which performs the final recognition. The reduction of a training sample occurs because the size of parts of an input image supplied to the convolutional network is bounded with the scale of an image and it is equal to the size of the largest detected object. Kohonen neural network showed itself more efficient in relation to this task, since it places cluster centers on the underlying surface rarely due to independence of weight of neurons on neighboring centers. These technical solutions could be used in the analysis of visual data from satellites, aircraft, and unmanned cars, in medicine, robotics, etc.
Одним из самых эффективных способов повышения точности и быстродействия алгоритмов распознавания является предварительное выделение зон интереса на анализируемых изображениях. Исследована возможность применения самоорганизующихся карт и нейронной сети Кохонена для определения зон интереса на радиолокационном или спутниковом изображении подстилающей поверхности. В найденных зонах интереса велика вероятность обнаружения интересующего объекта для дальнейшего анализа. Определение зон интереса необходимо прежде всего для автоматизации и ускорения процесса поиска и распознавания интересующих объектов, что, в силу постоянно нарастающего количества спутников, становится все более целесообразным. Представлены процесс моделирования, анализ и сравнение результатов применения данных методов для определения зон интереса при распознавании образов летательных аппаратов на фоне подстилающей поверхности. Также описан процесс предварительной обработки входных данных. Освящён общий подход к построению и обучению самоорганизующейся карты и нейронной сети Кохонена. Применение карт и нейронной сети Кохонена позволяет в 15–100 раз уменьшить объем анализируемых данных, что соответственно ускоряет процесс обнаружения и распознавания интересующего объекта. Использование приведенного алгоритма существенно сокращает необходимое количество обучающих образов для сверточной сети, осуществляющей окончательное распознавание. Уменьшение обучающей выборки обусловлено тем, что размер подаваемых на сверточную сеть частей входного изображения привязан к масштабу изображения и равен размеру наибольшего детектируемого объекта. Нейронная сеть Кохонена показала себя более эффективной применительно к данной задаче, т. к. реже размещает центры кластеров на подстилающей поверхности в силу независимости веса нейронов от соседних центров. Данные технические решения могут применяться при анализе визуальных данных со спутников, летательных аппаратов и беспилотных автомобилей, в медицине, робототехнике и т.д.
Одним з найбільш ефективних способів підвищення точності і швидкодії алгоритмів розпізнавання є попереднє виділення зон інтересу на аналізованих зображеннях. Досліджено можливість застосування самоорганізуючих карт і нейронної мережі Кохонена для визначення зон інтересу на радіолокаційному або супутниковому зображенні підстильної поверхні. У знайдених зонах інтересу велика ймовірність виявлення об'єкта, що цікавить, для подальшого аналізу. Визначення зон інтересу необхідно перш за все для автоматизації та прискорення процесу пошуку і розпізнавання об'єктів, що цікавлять. Це, в силу постійно наростаючої кількості супутників, стає все більш доцільним. Представлено процес моделювання, аналіз і порівняння результатів застосування даних методів для визначення зон інтересу при розпізнаванні образів літальних апаратів на тлі підстильної поверхні. Також описано процес попередньої обробки вхідних даних. Освячено загальний підхід до побудови та навчання самоорганізуючої карти і нейронної мережі Кохонена. Застосування карт і нейронної мережі Кохонена дозволяє в 15–100 разів зменшити обсяг даних, що аналізуються. Це, відповідно, прискорює процес виявлення і розпізнавання об'єкта, що цікавить. Використання наведеного алгоритму істотно скорочує необхідну кількість навчальних образів для згортальної мережі, здійснює остаточне розпізнавання. Зменшення навчальної вибірки обумовлено тим, що розмір частин, що подаються на згортальну мережу вхідного зображення, прив'язаний до масштабу зображення і дорівнює розміру найбільшого об'єкта детектування. Нейронна мережа Кохонена показала себе більш ефективною відносно до даної задачі,так як рідше розміщує центри кластерів на підстильній поверхні в силу незалежності ваги нейронів від сусідніх центрів. Дані технічні рішення можуть застосовуватися при аналізі візуальних даних із супутників, літальних апаратів і безпілотних автомобілів, в медицині, робототехніці і т.д.
Databáze: OpenAIRE
Externí odkaz: