Отрывок: В., Николенко С.И. Компьютерная оптика, 2022, том 46, №5 DOI: 10.18287/2412-6179-CO-1061 805 как для обучающих данных точность всех моделей составляет более 90 %. Дополнительно были реализованы другие извест- ные методы поиска аномалий. Генеративная модель GAN, обученная в течение 100 эпох, показала чуть более высокую, но все еще недостаточную для прак- тики точность 69,4 %. Кроме того, использовался метод [19], в котором «редкие» экземпляры выводятся путем повторного отслежива...
Полная запись метаданных
Поле DC Значение Язык
dc.contributor.authorСоколова, А.Д.-
dc.contributor.authorСавченко, А.В.-
dc.contributor.authorНиколенко, С.И.-
dc.date.accessioned2023-12-29 12:56:34-
dc.date.available2023-12-29 12:56:34-
dc.date.issued2022-10-
dc.identifierDspace\SGAU\20231223\107664ru
dc.identifier.citationСоколова, А.Д. Поиск редких данных в задаче распознавания лиц на изображениях / А.Д. Соколова, А.В. Савченко, С.И. Николенко // Компьютерная оптика. – 2022. – Т. 46, № 5. – С. 801-807. – DOI: 10.18287/2412-6179-CO-1061.ru
dc.identifier.urihttps://dx.doi.org/10.18287/2412-6179-CO-1061-
dc.identifier.urihttp://repo.ssau.ru/handle/Zhurnal-Komputernaya-optika/Poisk-redkih-dannyh-v-zadache-raspoznavaniya-lic-na-izobrazheniyah-107664-
dc.description.abstractОдной из основных проблем современных нейросетевых дескрипторов в задаче идентификации лиц является малое число обучающих примеров определенного типа: изображения плохого качества, разный масштаб или освещение, лица детей, пожилых людей, редкие расы. В результате точность распознавания оказывается низкой для входных изображений, не похожих на большинство изображений в наборе данных, используемом для настройки метода извлечения признаков. В работе предлагается способ преодоления такой проблемы за счет автоматического обнаружения нетипичных входных изображений на основе введения предварительного этапа их автоматической отбраковки. Для этого используется специальная свёрточная сеть, обученная на наборе редких данных, которые обрабатывались с помощью известных алгоритмов преобразования изображений. Для повышения вычислительной эффективности решение о наличии редкого изображения принимается на основе того же дескриптора лица, который используется в классификаторе. Экспериментальное исследование подтвердило преимущества в точности предложенного подхода для нескольких наборов данных лиц и современных нейросетевых дескрипторов.ru
dc.description.sponsorshipИсследование выполнено за счет гранта Российского научного фонда (проект No 20-71-10010). Исследование Николенко С.И. поддержано Санкт-Петербургским государственным университетом, проект № 73555239 «Искусственный интеллект и наука о данных: теория, технология, отраслевые и междисциплинарные исследования и приложения».ru
dc.language.isorusru
dc.publisherСамарский национальный исследовательский университетru
dc.relation.ispartofseries46;5-
dc.subjectраспознавание лицru
dc.subjectобработка изображенийru
dc.subjectобнаружение аномалийru
dc.subjectраспознавание редких изображенийru
dc.titleПоиск редких данных в задаче распознавания лиц на изображенияхru
dc.title.alternativeOpen-set face identification with automatic detection of out-of-distribution imagesru
dc.typeArticleru
dc.textpartВ., Николенко С.И. Компьютерная оптика, 2022, том 46, №5 DOI: 10.18287/2412-6179-CO-1061 805 как для обучающих данных точность всех моделей составляет более 90 %. Дополнительно были реализованы другие извест- ные методы поиска аномалий. Генеративная модель GAN, обученная в течение 100 эпох, показала чуть более высокую, но все еще недостаточную для прак- тики точность 69,4 %. Кроме того, использовался метод [19], в котором «редкие» экземпляры выводятся путем повторного отслежива...-
dc.classindex.scsti28.23.15-
Располагается в коллекциях: Журнал "Компьютерная оптика"

Файлы этого ресурса:
Файл Описание Размер Формат  
2412-6179_2022_46_5_801-807.pdf809.83 kBAdobe PDFПросмотреть/Открыть
Показать базовое описание ресурса Просмотр статистики
Поделиться:



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