Preview

Вопросы радиоэлектроники

Расширенный поиск

ИСПОЛЬЗОВАНИЕ ГЛУБОКИХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ АНАЛИЗА ИЗОБРАЖЕНИЙ В СИСТЕМАХ ОХРАННОГО ВИДЕОНАБЛЮДЕНИЯ

Полный текст:

Аннотация

В статье рассматривается новый быстродействующий алгоритм выделения движущихся объектов в поле зрения видеокамер, основанный на применении специальных сверточных нейронных сетей, адаптированных для изображений с низкой разрешающей способностью, в каскаде с быстрыми алгоритмами выделения изменений на наблюдаемой сцене.

Об авторе

А. В. Хамухин
АО «ЭЛВИС-НеоТек»
Россия

к. т. н., руководитель отдела компьютерного зрения

124498, Москва, Зеленоград, проезд № 4922, д. 4, стр. 2, тел.: 8 (910) 431-22-05.



Список литературы

1. Rosenblatt F. The perceptron: A probabilistic model for information storage and organization in the brain. Psychological review, 1958, vol. 65, no. 6, pp. 386.

2. Галушкин А. И. Синтез многослойных систем распознавания образов. М.: Энергия, 1974. 368 с.

3. Hinton G. E., Mcclelland J. L., Rumelhart D. E. Distributed representations, Parallel distributed processing: explorations in the microstructure of cognition. MIT Press Cambridge. 1986, vol. 1, pp. 318–362.

4. LeCun Y., Jackel L., Bottou L. et al. Comparison of learning algorithms for handwritten digit recognition. IEEE International Conference on Neural Networks: Proceedings, the University of Western Australia, 1995, vol. 60, pp. 53–60.

5. Krizhevsky A., Sutskever I., Hinton G. E. Imagenet classification with deep convolutional neural networks. IEEE26th Annual Conference on Neural Information Processing Systems, 2012, vol. 25, pp. 1097–1105.

6. Deng J., Dong W., Socher R. et al. Imagenet: A large-scale hierarchical image database. IEEE conference on Computer Vision and Pattern Recognition, 2009, pp. 248–255.

7. Simonyan K., Zisserman A. Very deep convolutional networks for large-scale image recognition. Available at: https://arxiv.org/abs/1409.1556 (accessed 25.05.2017)

8. Szegedy C., Liu W., Jia, Y., et al. Going deeper with convolutions. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2015, pp. 1–9.

9. He K., Zhang X., Ren S., et al. Deep residual learning for image recognition. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2016, pp. 770–778.

10. Goyette N., Jodoin P. M., Porikli F., Konrad J., Ishwar P. Changedetection.net: A new change detection benchmark dataset. Computer Vision and Pattern Recognition Workshops (CVPRW), 2012 IEEE Computer Society Conference on. IEEE, 2012, pp. 1–8.

11. CIFAR-10 and CIFAR-100 datasets. Available at: https://www.cs.toronto.edu/~kriz/cifar.html (accessed 19.04.2017)

12. Everingham M., Van Gool L., Williams C. K., Winn J., Zisserman A. The pascal visual object classes (voc) challenge. Springer, International journal of computer vision, 2010, vol. 88, no. 2, pp. 303–338.

13. Хамухин А. В. Система тестирования алгоритмов компьютерного зрения // Актуальные проблемы современной науки. 2014. № 1. C. 170–174.

14. Mishkin D., Matas J. All you need is a good init. Available at: https://arxiv.org/abs/1511.06422 (accessed 19.04.2017)


Для цитирования:


Хамухин А.В. ИСПОЛЬЗОВАНИЕ ГЛУБОКИХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ АНАЛИЗА ИЗОБРАЖЕНИЙ В СИСТЕМАХ ОХРАННОГО ВИДЕОНАБЛЮДЕНИЯ. Вопросы радиоэлектроники. 2017;(8):103-108.

For citation:


Khamukhin A.V. APPLYING DEEP CONVOLUTIONAL NETWORK TO REAL-TIME IMAGE ANALYSIS IN VIDEO SURVEILLANCE SYSTEMS. Issues of radio electronics. 2017;(8):103-108. (In Russ.)

Просмотров: 27


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


ISSN 2218-5453 (Print)
ISSN 2686-7680 (Online)