Preview

Информатика

Расширенный поиск

Генерация реалистичных изображений для обучения искусственных нейронных сетей в задаче навигации робота

Полный текст:

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.

Об авторе

Л. А. Ходасевич
Объединенный институт проблем информатики, Национальная академия наук Беларуси
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.


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: 283


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


ISSN 1816-0301 (Print)
ISSN 2617-6963 (Online)