ВЫЧИСЛИТЕЛЬНЫЕ СИСТЕМЫ И СЕТИ
ОБРАБОТКА ИНФОРМАЦИИ И АНАЛИЗ ДАННЫХ
ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ И ТЕХНОЛОГИИ
А. А. Зацаринный, А. А. Карандеев, А. Е. Маслов, В. П. Осипов, Н. Ю. Апальков "Развитие технологий распознавания на основе дополнительных признаков"
МАТЕМАТИЧЕСКИЕ ОСНОВЫ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ
А. А. Зацаринный, А. А. Карандеев, А. Е. Маслов, В. П. Осипов, Н. Ю. Апальков "Развитие технологий распознавания на основе дополнительных признаков"
Аннотация. 

В статье рассмотрены различные технологии распознавания изображений и предложены способы их улучшения путем исследования дополнительных признаков. В частности, представлен новый подход, который способствует улучшению решения задачи распознавания путем использования точек Харриса в качестве дополнительных признаков на изображениях. Это существенно повышает точность классифицирующей модели распознавания. Значимость данного подхода заключается в его способности улучшить возможности системы распознавания в обнаружении и выделении ключевых особенностей объектов, что в конечном счете приводит к более надежным и эффективным результатам при анализе, обработке и классификации данных, а также повышает устойчивость модели. Благодаря этим улучшениям, данная технология распознавания может быть успешно применена в различных областях, где требуется высокая точность и надежность при распознавании информации, например в сфере медицины, классификации транспортных средств и т.д.

Ключевые слова: 

распознавание образов, нейронные сети, детектор Харриса, устойчивость модели, искусственный интеллект.

Стр. 67-74.

DOI 10.14357/20718632240107 

EDN CZSVDM
 
Литература

1. Yue X., Lyu B., Li H., Meng L., Furumoto K. Real-time medicine packet recognition system in dispensing medicines for the elderly // Measurement: Sensors. 2021.
2. Mahami H., Ghassemi N., Darbandy M. T., Shoeibi A., Hussain S., Nasirzadeh F., Alizadehsani R., Nahavandi D., Khosravi A., Nahavandi S. Material Recognition for Automated Progress Monitoring using Deep Learning Methods // Computer Vision and Pattern Recognition. 2021.
3. Rinne M., Bagheri M., Tolvanen T., Hollmén J. Automatic Recognition of Public Transport Trips from Mobile DeviceSensor Data and Transport Infrastructure Information // International Workshop on Personal Analytics and Privacy. 2017.
4. Shadiev R., Zhang Z. H., Wu T.-T., Huang Y.M. Review of Studies on Recognition Technologies and Their Applications Used to Assist Learning and Instruction // Educational Technology & Society. 2020. № 4. pp 59-74.
5. Waelen R.A. The struggle for recognition in the age of facial recognition technology // AI and Ethics. 2023. № 3. рp 215–222.
6. Солем Я. Э., Программирование компьютерного зрения на языке Phython/ - М.ДМК Пресс, 2016. – 312 с.
7. Селянкин В.В. Компьютерное зрение. Анализ и обработка изображений – Санкт Петербург: Лань, 2021.- 152 с.
8. Papastratis I., Dimitropoulos K., Daras P. Continuous Sign Language Recognition through a Context-Aware Generative Adversarial Network // Sensors. 2021. № 7. 2437.
9. Sun Z., Ke Q., Rahmani H., Bennamoun M., Wang G., Liu J. Human Action Recognition from Various Data Modalities: A Review // IEEE transactions on pattern analysis and machine intelligence. 2022.
10. Lui X., Deng Z., Yang Y. Recent progress in semantic image segmentation // Artificial Intelligence Review. 2018. № 2. pp 1089-1106.
11. Уорр Кэти, Надежность нейронных сетей: укрепляем устойчивость ИИ к обману. — СПб.: Питер, 2021. — 272 с.
12. Geirhos R. et al. ImageNet-Trained CNNs Are Biased Towards Texture; Increasing Shape Bias Improves Accuracy and Robustness, 2019.
13. Harris C. G., Stephens M. J. A Combined Corner and Edge Detector // Alvey Vision Conference. 1988.
 
2024 / 02
2024 / 01
2023 / 04
2023 / 03

© ФИЦ ИУ РАН 2008-2018. Создание сайта "РосИнтернет технологии".