informИнформатикаInformatics1816-03012617-6963UIIP NASBinform-442Research ArticleОБРАБОТКА СИГНАЛОВ, ИЗОБРАЖЕНИЙ, РЕЧИ, ТЕКСТА И РАСПОЗНАВАНИЕ ОБРАЗОВSIGNAL, IMAGE, SPEECH, TEXT PROCESSING AND PATTERN RECOGNITIONГенерация реалистичных изображений для обучения искусственных нейронных сетей в задаче навигации роботаRealistic images generation for training artificial neural networks in robot navigation problemХодасевичЛ. А.KhodasevichL. A.

Ходасевич Любовь Александровна - стажер младшего научного сотрудника лаборатории робототехнических систем.

Ул. Сурганова, 6, 220012, Минск

Liubov A. Khodasevich - Trainee of Junior Researcher, The United Institute of Informatics Problems of the National Academy of Sciences of Belarus

6, Surganova Str., 220012, Minsk

liubov.hodasevich@gmail.comОбъединенный институт проблем информатики, Национальная академия наук БеларусиThe United Institute of Informatics Problems, National Academy of Sciences of Belarus2018130920181545058Copyright © Ходасевич Л.А., 20182018Ходасевич Л.А.Khodasevich L.A.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://inf.grid.by/jour/article/view/442

На конкретном практическом примере рассмотрена и решена проблема формирования обучающей выборки для настройки нейросетевого детектора, предназначенного для распознавания дверей на цифровых изображениях помещений. Разработан метод генерации реалистичных синтетических данных, заключающийся в замене на цифровых изображениях априори известных объектов-мишеней новыми объектами, которые были получены путем проективного преобразования эталонных объектов. Метод предназначен для формирования обучающей выборки, необходимой для обучения и тестирования искусственных нейронных сетей, которые впоследствии применяются в системе управления мобильными роботами для решения задач автономной навигации. Эффективность предложенного метода была подтверждена экспериментально.

The problem of obtaining training dataset for setting weights of neural network designed for indoor detection of doors is considered and solved on the particular example. A method for generating realistic synthetic data is developed. The method involves replacing a priori known target objects on digital images with new reference objects that were obtained by projective transformation of reference objects. The method is designed to obtain training dataset for training and testing of artificial neural networks, which will be used in the mobile robot control system to solve autonomous navigation problem. The effectiveness of the proposed method was confirmed experimentally.

генерация реалистичных изображенийнейронная сетьдетекторобучениенабор данныхrealistic images generationneural networkdetectortrainingdatasetГ.А.Прокопович, ОИПИ НАН БеларусиReferencesWhat is the best multi-stage architecture for object recognition? / Y. LeCun [et al.] // The 12th Intern. Conf. on Computer Vision, Kyoto, 27 Sept. - 4 Oct. 2009. - Kyoto, 2009. - P. 2146-2153.LeCun Y., Jarrett K., Kavukcuoglu K., Ranzato M. What is the best multi-stage architecture for object recognition? The 12th International Conference on Computer Vision, Kyoto, 27 September - 4 October 2009. Kyoto, 2009, pp. 2146-2153.Training deep face recognition systems with synthetic data [Electronic resourse] / A. Kortylewski [et al.] // Cornell University Library. - 2018. - Mode of access: https://arxiv.org/pdf/1802.05891.pdf. - Date of access: 16.04.2018.Kortylewski A., Schneider A., Gerig T., Egger B., Morel-Foster A., Vetter T. Training deep face recognition systems with synthetic data. Available at: https://arxiv.org/pdf/1802.05891.pdf (accessed 16.04.2018).Чигорин, А. Классификация автодорожных знаков на основе сверточной нейросети, обученной на синтетических данных / А. Чигорин, Б. Моисеев // Труды 22 Междунар. конф. по компьютерной графике и машинному зрению ГрафиКон’2012, Москва, 1-5 окт. 2012 г. - М., 2012. - С. 284-287.Chigorin A., Moiseev B. Klassifikatsiya avtodorozhnykh znakov na osnove svertochnoi neiroseti, obuchennoi na sinteticheskikh dannykh [Road signs classification based on convolutional neural network that trained on synthetic data]. Trudy 22 Mezhdunarodnoj konferencii po komp'jutemoj grafike i mashinnomu zreniju GrafiKon’2012 [Proceedings of the 22nd International Conference on Computer Graphics and Computer Vision GraphiCon 2012, Moscow, 1-5 October 2012]. Moscow, 2012, pp. 284-287 (in Russian).Прокопович, Г. А. Разработка системы технического зрения для сервисного мобильного робота / Г. А. Прокопович // Третий Всерос. науч.-практ. семинар «Беспилотные транспортные средства с элементами искусственного интеллекта», Иннополис, 22-23 сент. 2015 г. - Иннополис : Ун-т Иннополис, 2016. - С. 127-136.Prokopovich G. A. Razrabotka sistemy tehnicheskogo zrenija dlja servisnogo mobil'nogo robota [Development of technical vision system for service mobile robot]. Tretiy Vserossiyskiy naychno-prakticheskiy seminar "Bespilotnye transportnye sredstva s elementami isskustvennogo intellekta" [The Third All-Russian Scientific and Practical Seminar "Unmanned Vehicles with Artificial Intelligence Elements", Innopolis, 22-23 September 2015]. Innopolis, Universitet Innopolis, 2016, pp. 127-136 (in Russian).Selective search for object recognition [Electronic resourse] / J. R. R. Uijlings [et al.]. - Mode of access: http://www.huppelen.nl/publications/selectiveSearchDraft.pdf. - Date of access: 28.04.2018.Uijlings J. R. R., Sande K. E. A., Gevers T., Smeulders A. W. M. Selective search for object recognition. Available at: http://www.huppelen.nl/publications/selectiveSearchDraft.pdf (accessed 28.04.2018).Faster R-CNN: towards real-time object detection with region proposal networks [Electronic resourse] / S. Ren [et al.] // Cornel University Library. - 2015. - Mode of access: https://arxiv.org/pdf/1506.01497.pdf. - Date of access: 15.05.2018.Ren S., He K., Girshick R., Sun J. Faster R-CNN: Towards real-time object detection with region proposal networks. Available at: https://arxiv.org/pdf/1506.01497.pdf (accessed 15.05.2018).Rethinking the inception architecture for computer vision [Electronic resourse] / C. Szegedy [et al.] // Cornel University Library. - 2015. - Mode of access: https://arxiv.org/pdf/1512.00567.pdf. - Date of access: 15.05.2018.Szegedy C., Vanhoucke V., Ioffe S., Shlens J. Rethinking the inception architecture for computer vision. Available at: https://arxiv.org/pdf/1512.00567.pdf (accessed 15.05.2018).LeCun, Y. The MNIST database [Electronic resourse] / Y. LeCun, C. Cortes, C. J. C. Burges. - Mode of access: http://yann.lecun.com/exdb/mnist/. - Date of access: 16.03.2018.LeCun Y., Cortes C., Burges C. J. C. The MNIST database. Available at: http://yann.lecun.com/exdb/mnist/ (accessed 16.03.2018).Microsoft COCO: Common objects in context [Electronic resourse] / T. Lin [et al.]. - 2018. - Mode of access: http://cocodataset.org/#home. - Date of access: 16.03.2018.Lin T., Patterson G., Ronchi M. R., Cui Y., Dollar P. Microsoft COCO: Common objects in context. Available at: http://cocodataset.org/#home (accessed 16.03.2018).Tzutalin / labelImg [Electronic resourse]. - 2015. - Mode of access: https://github.com/tzutalin/labelImg. - Date of access: 18.06.2018.Tzutalin /labelImg. Available at: https://github.com/tzutalin/labelImg (accessed 18.06.2018).

The authors declare that there are no conflicts of interest present.