Конарев Дмитрий Игоревич, аспирант
ул. 50 лет Октября 94, г. Курск 305040
Dmitrii I. Konarev, Post-Graduate Student
50 Let Oktyabrya str. 94, Kursk 305040
Гуламов Алишер Абдумаликович, доктор физико-математических наук, доцент, профессор кафедры КПиСС
ул. 50 лет Октября 94, г. Курск 305040
Alisher A. Gulamov, Dr. of Sci. (Engineering), Associate Professor
50 Let Oktyabrya str. 94, Kursk 305040
Цель исследования. В области инфокоммуникационного обеспечения судоходства Канала имени Москвы актуальной задачей является мониторинг судов с использованием камер видеонаблюдения, установленных на протяжении канала. Основной подзадачей является непосредственно распознавание судов на изображении или видео, для чего перспективно применение нейронной сети.
Методы. В работе рассмотрены различные архитектуры нейронной сети. Входными данными для сети являются изображения судов. Обучающая выборка использует набор данных CIFAR-10. Сеть построена и обучена с использованием библиотек машинного обучения Keras и TensorFlow.
Результаты. Описано применение свёрточных искусственных нейронных сетей для задач распознавания образов и преимущества такой архитектуры при работе с изображениями. Обоснован выбор языка Python для реализации нейронной сети и описаны основные применяемые библиотеки машинного обучения, такие, как TensorFlow и Keras. Проведён эксперимент по обучению свёрточных нейронных сетей с различной архитектурой на базе сервиса Google collaboratoty. Проведена оценка эффективности различных архитектур в процентном соотношении случаев правильного распознавания образов на тестовой выборке. Сделаны выводы о влиянии параметров свёрточной нейронной сети на проявление её эффективности.
Заключение. Сеть с одним свёрточным слоем в каждом каскаде показала недостаточные результаты, поэтому были рассмотрены трёхкаскадные свёрточные сети с двумя и тремя свёрточными слоями в каждом каскаде. Наибольшее влияние на точность распознавания образов оказало увеличение карты признаков. Наращивание числа каскадов оказало менее заметный эффект, а увеличение числа свёрточных слоёв в каждом каскаде не всегда приводит к повышению точности работы нейронной сети. В процессе исследования трёхкаcкадная сеть с двумя свёрточными слоями в каждом каскаде и 128 картами признаков определена как оптимальная архитектура нейронной сети в рассматриваемых условиях. Проверка работоспособности части рассматриваемых архитектур на случайных изображениях судов подтвердила правильность выбора оптимальной архитектуры.
Purpose of research. The current task is to monitor ships using video surveillance cameras installed along the canal. It is important for information communication support for navigation of the Moscow Canal. The main subtask is direct recognition of ships in an image or video. Implementation of a neural network is perspectively.
Methods. Various neural network are described. images of ships are an input data for the network. The learning sample uses CIFAR-10 dataset. The network is built and trained by using Keras and TensorFlow machine learning libraries.
Results. Implementation of curving artificial neural networks for problems of image recognition is described. Advantages of such architecture when working with images are also described. The selection of Python language for neural network implementation is justified. The main used libraries of machine learning, such as TensorFlow and Keras are described. An experiment has been conducted to train swirl neural networks with different architectures based on Google collaboratoty service. The effectiveness of different architectures was evaluated as a percentage of correct pattern recognition in the test sample. Conclusions have been drawn about parameters influence of screwing neural network on showing its effectiveness.
Conclusion. The network with a single curl layer in each cascade showed insufficient results, so three-stage curls with two and three curl layers in each cascade were used. Feature map extension has the greatest impact on the accuracy of image recognition. The increase in cascades' number has less noticeable effect and the increase in the number of screwdriver layers in each cascade does not always have an increase in the accuracy of the neural network. During the study, a three-frame network with two buckling layers in each cascade and 128 feature maps is defined as an optimal architecture of neural network under described conditions. operability checking of architecture's part under consideration on random images of ships confirmed the correctness of optimal architecture choosing.
The authors declare that there are no conflicts of interest present.