Отрывок: 5. 3.2. Результаты разных подходов При обучении на реальных данных без использова- ния синтетических получаем качество классификации нейросети 94,9 % на частых классах и 0 % на редких. При добавлении синтетических данных в обучающую выборку качество нейросети повышается до 95,7 % на частых знаках (при использовании данных cgi) и 53,9 % на редких знаках. Таким образом, само по себе использование синтетических данных позволяет повы- сить качество...
Полная запись метаданных
Поле DC Значение Язык
dc.contributor.authorФаизов, Б.В.-
dc.contributor.authorШахуро, В.И.-
dc.contributor.authorСанжаров, В.В.-
dc.contributor.authorКонушин, А.С.-
dc.date.accessioned2020-04-30 20:05:13-
dc.date.available2020-04-30 20:05:13-
dc.date.issued2020-04-
dc.identifierDspace\SGAU\20200429\83067ru
dc.identifier.citationФаизов, Б.В. Классификация редких дорожных знаков / Б.В. Фаизов, В.И. Шахуро, В.В. Санжаров, А.С. Конушин // Компьютерная оптика. – 2020. – Т. 44, № 2. – С. 236-243. – DOI: 10.18287/2412-6179-CO-601.ru
dc.identifier.urihttps://dx.doi.org/10.18287/2412-6179-CO-601-
dc.identifier.urihttp://repo.ssau.ru/handle/Zhurnal-Komputernaya-optika/Klassifikaciya-redkih-dorozhnyh-znakov-83067-
dc.description.abstractВ работе исследуется возможность применения нейронных сетей для классификации объектов, которых мало или совсем нет в обучающей выборке, на примере задачи классификации редких дорожных знаков. Рассматриваются нейронные сети, обученные с использованием сравнительной функции потерь и её модификациями, а также методы генерации синтетических выборок для задач классификации. В качестве базового метода используется индексирование классов объектов при помощи нейросетевых признаков. Проводится сравнение классификаторов, обученных при помощи трёх видов синтетических выборок, а также их смесей с реальными данными. Предлагается метод классификации редких дорожных знаков, использующий нейросетевой дискриминатор редких и частых знаков. Проведённая экспериментальная оценка показала, что предложенный метод позволяет классифицировать редкие дорожные знаки без существенной потери качества на частых знаках.ru
dc.description.sponsorshipРабота В.В. Санжарова по фотореалистичному синтезу дорожных знаков выполнена при поддержке гранта РФФИ 18-31-20032 мол_а_вед «Физически-корректное моделирование освещения и синтез изображений на массивно-параллельных вычислительных системах в приложениях искусственного интеллекта», работа Б.В. Фаизова, В.И. Шахуро и А.С. Конушина по улучшению дорожных знаков с помощью нейросетей и классификации редких знаков поддержана грантом РНФ 17-71-20072 «Нейробайесовские методы в задачах машинного обучения, масштабируемой оптимизации и компьютерного зрения».ru
dc.language.isorusru
dc.publisherСамарский национальный исследовательский университетru
dc.relation.ispartofseries44;2-
dc.subjectклассификация дорожных знаковru
dc.subjectсинтетические обучающие выборкиru
dc.subjectнейронные сетиru
dc.subjectраспознавание изображенийru
dc.subjectтрансформации изображенийru
dc.subjectкомпозиции нейросетейru
dc.titleКлассификация редких дорожных знаковru
dc.title.alternativeClassification of rare traffic signsru
dc.typeArticleru
dc.textpart5. 3.2. Результаты разных подходов При обучении на реальных данных без использова- ния синтетических получаем качество классификации нейросети 94,9 % на частых классах и 0 % на редких. При добавлении синтетических данных в обучающую выборку качество нейросети повышается до 95,7 % на частых знаках (при использовании данных cgi) и 53,9 % на редких знаках. Таким образом, само по себе использование синтетических данных позволяет повы- сить качество...-
dc.classindex.scsti28.23.15-
Располагается в коллекциях: Журнал "Компьютерная оптика"

Файлы этого ресурса:
Файл Описание Размер Формат  
440213.pdfОсновная статья1.21 MBAdobe PDFПросмотреть/Открыть
Показать базовое описание ресурса Просмотр статистики
Поделиться:



Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.