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.author | Фаизов, Б.В. | - |
dc.contributor.author | Шахуро, В.И. | - |
dc.contributor.author | Санжаров, В.В. | - |
dc.contributor.author | Конушин, А.С. | - |
dc.date.accessioned | 2020-04-30 20:05:13 | - |
dc.date.available | 2020-04-30 20:05:13 | - |
dc.date.issued | 2020-04 | - |
dc.identifier | Dspace\SGAU\20200429\83067 | ru |
dc.identifier.citation | Фаизов, 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.uri | https://dx.doi.org/10.18287/2412-6179-CO-601 | - |
dc.identifier.uri | http://repo.ssau.ru/handle/Zhurnal-Komputernaya-optika/Klassifikaciya-redkih-dorozhnyh-znakov-83067 | - |
dc.description.abstract | В 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.sponsorship | Работа 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.iso | rus | ru |
dc.publisher | Самарский национальный исследовательский университет | ru |
dc.relation.ispartofseries | 44;2 | - |
dc.subject | классификация дорожных знаков | ru |
dc.subject | синтетические обучающие выборки | ru |
dc.subject | нейронные сети | ru |
dc.subject | распознавание изображений | ru |
dc.subject | трансформации изображений | ru |
dc.subject | композиции нейросетей | ru |
dc.title | Классификация редких дорожных знаков | ru |
dc.title.alternative | Classification of rare traffic signs | ru |
dc.type | Article | ru |
dc.textpart | 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... | - |
dc.classindex.scsti | 28.23.15 | - |
Располагается в коллекциях: | Журнал "Компьютерная оптика" |
Файлы этого ресурса:
Файл | Описание | Размер | Формат | |
---|---|---|---|---|
440213.pdf | Основная статья | 1.21 MB | Adobe PDF | Просмотреть/Открыть |
Показать базовое описание ресурса
Просмотр статистики
Поделиться:
Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.