Preview

Известия Юго-Западного государственного университета

Расширенный поиск

Синтез архитектуры нейронной сети для распознавания образов морских судов

https://doi.org/10.21869/2223-1560-2020-24-1-130-143

Полный текст:

Аннотация

Цель исследования. В области инфокоммуникационного обеспечения судоходства Канала имени Москвы актуальной задачей является мониторинг судов с использованием камер видеонаблюдения, установленных на протяжении канала. Основной подзадачей является непосредственно распознавание судов на изображении или видео, для чего перспективно применение нейронной сети.

Методы. В работе рассмотрены различные архитектуры нейронной сети. Входными данными для сети являются изображения судов. Обучающая выборка использует набор данных CIFAR-10. Сеть построена и обучена с использованием библиотек машинного обучения Keras и TensorFlow.

Результаты. Описано применение свёрточных искусственных нейронных сетей для задач распознавания образов и преимущества такой архитектуры при работе с изображениями. Обоснован выбор языка Python для реализации нейронной сети и описаны основные применяемые библиотеки машинного обучения, такие, как TensorFlow и Keras. Проведён эксперимент по обучению свёрточных нейронных сетей с различной архитектурой на базе сервиса Google collaboratoty. Проведена оценка эффективности различных архитектур в процентном соотношении случаев правильного распознавания образов на тестовой выборке. Сделаны выводы о влиянии параметров свёрточной нейронной сети на проявление её эффективности.

Заключение. Сеть с одним свёрточным слоем в каждом каскаде показала недостаточные результаты, поэтому были рассмотрены трёхкаскадные свёрточные сети с двумя и тремя свёрточными слоями в каждом каскаде. Наибольшее влияние на точность распознавания образов оказало увеличение карты признаков. Наращивание числа каскадов оказало менее заметный эффект, а увеличение числа свёрточных слоёв в каждом каскаде не всегда приводит к повышению точности работы нейронной сети. В процессе исследования трёхкаcкадная сеть с двумя свёрточными слоями в каждом каскаде и 128 картами признаков определена как оптимальная архитектура нейронной сети в рассматриваемых условиях. Проверка работоспособности части рассматриваемых архитектур на случайных изображениях судов подтвердила правильность выбора оптимальной архитектуры.

Об авторах

Д. И. Конарев
ФГБОУ ВО «Юго-Западный государственный университет»
Россия

Конарев Дмитрий Игоревич, аспирант

ул. 50 лет Октября 94, г. Курск 305040



А. А. Гуламов
ФГБОУ ВО «Юго-Западный государственный университет»
Россия

Гуламов Алишер Абдумаликович, доктор физико-математических наук, доцент, профессор кафедры КПиСС

ул. 50 лет Октября 94, г. Курск 305040



Список литературы

1. Гольцова И. А., Гуламов А. А. Информационное обеспечение участка железной дороги // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2017. Т. 7, № 2(23). С. 6–11. https://swsu.ru/izvestiya/seriesivt/archiv/2_2017.pdf

2. Маклаков Е. С., Гуламов А.А. Узел сбора информации диспетчерского центра // Известия Юго-Западного государственного университета. 2018. Т. 22, № 6(81). С. 136-142. https://doi.org/10.21869/2223-1560-2018-22-6-136-142.

3. Маклаков Е. С., Гуламов А.А. Оптимизация «последних миль» до удаленных узлов доступа путем применения технологии LCAS // Моделирование, оптимизация и информационные технологии: научный журнал. 2019. Т. 7. № 3. http://moit.vivt.ru/. https://doi.org/10.26102/2310-6018/2019.26.3.039.

4. Видеосистема обнаружения морских судов по триангуляционным рашёткам / Ш. С. Фахми, Е. В. Костикова, М. С. Крюкова, С. А. Селиверстов // Морские интеллектуальные технологии. 2018. № 1-3 (41). С.143-155. http://morintex.ru/wpcontent/files_mf/1536237135MITVOL41No3PART12018compressed.pdf

5. Фахми Ш. С., Шаталова Н. В., Крюкова М. С. Выделение контуров морских объектов на основе пирамидально-рекурсивного метода представления изображений // Морские интеллектуальные технологии. 2019. № 2-2 (44). С.129-136. http://morintex.ru/wp-content/files_mf/1560970718MITVOL44No2PART12019.pdf

6. Выделение контуров изображений морских судов / Ш. С. Фахми, Н. В. Шаталова, С. А. Селиверстов, Е. С. Калинина, А. В. Иванов // Морские интеллектуальные технологии. 2019. № 3-3 (45). С.132-142. http://morintex.ru/wp-content/files_mf/1568625233MITVOL45No3PART32019_compressed1.pdf

7. Erhu Zhang, Kelu Wang, Guangfeng Lin Classification of marine vessels with multifeature structure fusion // Applied Science. 2019. № 9(10). Р. 2153. https://doi.org/10.3390/app9102153.

8. Tom Hope, Yehezkel S. Resheff, Itay Lieder Learning TensorFlow: A Guide to Building Deep Learning Systems O'Reilly Media; 1 edition, 2017. 242 p. https://www.oreilly.com/catalog/errata.csp?isbn=0636920044116

9. Андреас Мюллер. Введение в машинное обучение с помощью Python. Руководство для специалистов по работе с данными. М.: Вильямс, 2017. 480 с. https://codernet.ru/books/python/vvedenie_v_mashinnoe_obuchenie_s_pomoshhyu_python/

10. Себастьян Рашка. Python и машинное обучение. М.: ДМК-Пресс, 2017. 418 с.

11. Martín Abadi, Paul Barham, Jianmin Chen, Zhifeng Chen, Andy Davis, Jeffrey Dean, Matthieu Devin, Sanjay Ghemawat, Geoffrey Irving, Michael Isard, Manjunath Kudlur, Josh Levenberg, Rajat Monga, Sherry Moore, Derek G. Murray, Benoit Steiner, Paul Tucker, Vijay Vasudevan, Pete Warden, Martin Wicke, Yuan Yu, and Xiaoqiang Zheng, Google Brain Tensor flow: A system for large-scale machine learning // Operating Systems Design and Implementation: Proc. 12th Symposium, Savannah, GA, USA, 2016. pp. 265-283. https://www.usenix.org/system/files/conference/osdi16/osdi16-abadi.pdf

12. Антонио Джулли, Суджит Пал. Библиотека Keras – инструмент глубокого обучения. Реализация нейронных сетей с помощью библиотек Theano и Tensor Flow. М.: ДМК-Пресс, 2017. 296 с.

13. Франсуа Шолле. Глубокое обучение на Python. СПб.: Питер, 2018. 400 с.

14. Aurélien Géron, Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems O'Reilly Media, 2017. 574 p. https://www.academia.edu/37010160/Hands-On_Machine_Learning_with_Scikit-Learn_and_TensorFlow.

15. Ian Goodfellow, Deep Learning (Adaptive Computation and Machine Learning series) The MIT Press, 2016. 800 p. https://www.academia.edu/38223830/Adaptive_Computation_and_Machine_Learning_series-_Deep_learning-The_MIT_Press_2016_.pdf

16. Tariq Rashid, Make Your Own Neural Network CreateSpace Independent Publishing Platform, 2016. 222 p.

17. Schmidhuber J. Deep learning in neural networks: An overview // Neural Networks. 2015. Vol. (61). P. 85–117. http://www2.econ.iastate.edu/tesfatsi/DeepLearningInNeuralNetworksOverview.JSchmidhuber2015.pdf

18. Josh Patterson, Adam Gibson Deep Learning: A Practitioner's Approach O'Reilly Media, Inc. 2017. 532 p. https://www.academia.edu/37119738/Deep_Learning_A_Practitioners_Approach

19. Саймон Хайкин. Нейронные сети. М.: Вильямс, 2018. 1104 с.

20. Michael Taylor The Math of Neural Networks Amazon Digital Services LLC - Kdp Print Us, 2017. 168 p. https://cours.etsmtl.ca/sys843/REFS/Books/ebook_Haykin09.pdf


Для цитирования:


Конарев Д.И., Гуламов А.А. Синтез архитектуры нейронной сети для распознавания образов морских судов. Известия Юго-Западного государственного университета. 2020;24(1):130-143. https://doi.org/10.21869/2223-1560-2020-24-1-130-143

For citation:


Konarev D.I., Gulamov A.A. Synthesis of Neural Network Architecture for Recognition of Sea-Going Ship Images. Proceedings of the Southwest State University. 2020;24(1):130-143. (In Russ.) https://doi.org/10.21869/2223-1560-2020-24-1-130-143

Просмотров: 50


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 2223-1560 (Print)
ISSN 2686-6757 (Online)