ИСПОЛЬЗОВАНИЕ ПРОЕКТИВНЫХ ПРЕОБРАЗОВАНИЙ В ФОРМИРОВАНИИ ОБУЧАЮЩЕЙ ВЫБОРКИ НЕЙРОННОЙ СЕТИ
Аннотация
Представлен опыт автоматизации создания обучающей выборки для нейронной сети, распознающей автомобильные номера. Главная проблема обучения нейронной сети данными, полученными с помощью реальных съемок, заключается в значительных временных затратах на формирование выборки необходимого объема. Кроме того, после обучения нейронная сеть недостаточно эффективно распознает редкие форматы номеров. Целью работы является повышение качества распознавания и скорости обучения нейронной сети. Для достижения поставленной цели обучающая выборка формируется из автоматически сгенерированных изображений номерных знаков автомобилей. Для имитации искажений съемки используются проективные преобразования. Полученная таким образом выборка включает все стандарты номеров, причем доля редких видов достаточна для эффективного их распознавания. Применение предлагаемого генератора позволяет не только значительно ускорить создание обучающей выборки, но и повысить качество распознавания редко используемых стандартов номеров.
Об авторах
В. В. Кузьмина
АО «ЭЛВИС-НеоТек»
Россия
Россия
магистрант кафедры информатики и программного обеспечения вычислительных систем, Национальный исследовательский университет «МИЭТ»;
младший программист-аналитик, отдел компьютерного зрения, АО «ЭЛВИС-НеоТек», 124498, Москва, Зеленоград, проезд № 4922, д. 4, стр. 2, тел.: 8 (495) 648-7823
А. В. Хамухин
АО «ЭЛВИС-НеоТек»
Россия
Россия
к. т. н., руководитель отдела компьютерного зрения
124498, Москва, Зеленоград, проезд № 4922, д. 4, стр. 2, тел.: 8 (495) 648-78-23
А. И. Кононова
Национальный исследовательский университет «МИЭТ»
Россия
Россия
к. т. н., доцент
124498, Москва, Зеленоград, площадь Шокина, д. 1, стр. 7, тел.: 8 (499) 731-44-41
Список литературы
1. Sutar G. T., Shah A.V. Number Plate Recognition Using an Improved Segmentation. International Journal of Innovative Research in Science,Engineering and Technology. 2014, issue 5, vol. 3. Available at: https://www.ijirset.com/upload/2014/may/44_Number.pdf (accessed 22.05.2017)
2. LeCun Y. et al. Comparison of learning algorithms for handwritten digit recognition. International conference on artificial neural networks. 1995, vol. 60, pp. 53–60.
3. Movellan J. Tutorial on Gabor Filters. 2008. Available at: http://mplab.ucsd.edu/tutorials/gabor.pdf (accessed 10.05.2017)
4. Jain V., Seung S. H. Natural image denoising with convolutional networks. In Conference on Neural Information Processing Systems (NIPS), 2008, vol. 21, pp. 769–776.
5. Deep neural networks performance optimization in image recognition. Available at: http://repo.ssau.ru/bitstream/Informacionnye-tehnologii-i-nanotehnologii/Deep-neural-networks-performance-optimization-in-image-recognition-63757/1/paper%20122_649-654.pdf (accessed 22.05.2017)
6. Сиденко Л. А. Компьютерная графика и геометрическое моделирование: учебное пособие. СПб.: Питер, 2009. 224 с.
Рецензия
Для цитирования:
Кузьмина В.В., Хамухин А.В., Кононова А.И. ИСПОЛЬЗОВАНИЕ ПРОЕКТИВНЫХ ПРЕОБРАЗОВАНИЙ В ФОРМИРОВАНИИ ОБУЧАЮЩЕЙ ВЫБОРКИ НЕЙРОННОЙ СЕТИ. Вопросы радиоэлектроники. 2018;(8):73-78. https://doi.org/10.21778/2218-5453-2018-8-73-78
For citation:
Kuzmina V.V., Khamukhin A.V., Kononova A.I. USING OF PROJECTIVE TRANSFORMATION IN CREATING NEURAL NETWORK DATA SET. Issues of radio electronics. 2018;(8):73-78. (In Russ.) https://doi.org/10.21778/2218-5453-2018-8-73-78
Просмотров: 172
Послать статью по эл. почте 
