Генерация реалистичных изображений для обучения искусственных нейронных сетей в задаче навигации робота
Аннотация
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.
При поддержке: Г.А.Прокопович, ОИПИ НАН Беларуси
Об авторе
Л. А. Ходасевич
Объединенный институт проблем информатики, Национальная академия наук Беларуси
Беларусь
Беларусь
Ходасевич Любовь Александровна - стажер младшего научного сотрудника лаборатории робототехнических систем.
Ул. Сурганова, 6, 220012, Минск
Список литературы
1. What 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.
2. 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.
3. 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.
4. 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.
5. 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.
6. 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.
7. 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.
8. 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.
9. 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.
10. Tzutalin / labelImg [Electronic resourse]. - 2015. - Mode of access: https://github.com/tzutalin/labelImg. - Date of access: 18.06.2018.
Рецензия
Для цитирования:
Ходасевич Л.А. Генерация реалистичных изображений для обучения искусственных нейронных сетей в задаче навигации робота. Информатика. 2018;15(4):50-58.
For citation:
Khodasevich L.A. Realistic images generation for training artificial neural networks in robot navigation problem. Informatics. 2018;15(4):50-58. (In Russ.)
Просмотров: 719
Послать статью по эл. почте 