Просматривается номер   2018-S1
К читателю
О журнале
Публикационная этика
Авторам
Тематика
Правила рецензирования
English (United Kingdom)Russian (CIS)
Интеллектуальный анализ данных и распознавание образов
Н.С. Скорюкина, А.Н. Миловзоров, Д.В. Полевой, В.В. Арлазаров "Метод распознавания объектов живописи в неконтролируемых условиях с обучением по одному примеру"
А.Е. Жуковский "Методы межкадровой интеграции результатов обнаружения документов в видеопотоке мобильного устройства"
И.А. Кунина, Е.И. Панфилова, М.А. Поволоцкий "Детектирование пешеходных переходов на изображениях дороги на основе метода динамического выравнивания временных рядов"
О.А. Славин, В.Л. Арлазаров "Метод классификации распознанных страниц деловых документов на основе текстовых ключевых точек"
О.О. Петрова, К.Б. Булатов "Методы пост-обработки результатов распознавания машиночитаемой зоны документов"
А.Е. Марченко, Е.И. Ершов, Д.А. Шепелев, Д.С. Сидорчук, В.П. Божкова, Д.П. Николаев "Разработка языка описания наблюдаемых свойств распознаваемых объектов в отсутствие примеров"
Интеллектуальные системы и технологии
Е.Е. Лимонова, Н.Л. Рженев, А.В. Усков, М.И. Нейман-заде "Быстрая реализация расстояния Хэминга на VLIW-архитектурах на примере платформы Эльбрус"
В.В. Арлазаров, К.Б. Булатов, А.В. Усков "Модель системы распознавания объектов в видеопотоке мобильного устройства"
А.А. Иванова, С.А. Гладилин, А.Е. Жуковский, Е.Л. Плискин "База данных для административного учета научных публикаций"
А.С. Ингачева, А.В. Шешкус, Т.С. Чернов, Е.Е. Лимонова, В.В. Арлазаров "Рентгеновский компьютерный томограф – новый инструмент в распознавании"
Н.О. Бесшапошников, А.Г. Кушниренко, А.А. Левин "Метод автокалибровки параметров управления учебным роботом с помощью библиотеки машинного зрения OpenCV"
Обработка и анализ изображений и сигналов
А.Е. Жуковский, Е.Е. Лимонова, Д.П. Николаев "Реализация классических алгоритмов анализа изображений через полносверточные нейронные сети"
В.Е. Прун "Уменьшение влияния сильнопоглощающих включений на восстановление алгебраическим методом в задаче компьютерной томографии"
Б.И. Савельев, И.Б. Мамай, Д.П. Николаев, В.Л. Арлазаров, К.Б. Булатов, Н.С. Скорюкина "Метод согласования графа проективных преобразований для задачи панорамирования плоских объектов"
Д.В. Тропин, Д.П. Николаев, Д.Г. Слугин "Метод совмещения изображений на основе максимизации резкости"
Ю.А. Шемякина, А.Е. Жуковский, И.А. Коноваленко, Д.П. Николаев "Алгоритм автоматического кадрирования цифровых изображений при проективном преобразовании"
Машинное обучение
А.В. Гайер, А.В. Шешкус, Ю.С. Чернышова "Аугментация обучающей выборки «на лету» для обучения нейронных сетей"
В.В. Арлазаров, Д.П. Маталов, С.А. Усилин "Локализация образа печати на документе, удостоверяющем личность, методом машинного обучения"
A.Е. Лынченко, А.В. Шешкус, В.Л. Арлазаров "Алгоритм классификации документов, удостоверяющих личность, на проективно-искаженных изображениях на основе обучаемой метрики подобия"
В.А. Малых, В.А. Лялин "К вопросу о классификации зашумленных текстов"
Ю.С. Чернышова, М.А. Алиев, А.В. Шешкус "Оптическое распознавание шрифтов на изображениях, полученных со смартфонов, и его использование для определения подлинности документов, удостоверяющих личность"
Д.А. Ильин "Быстрая локализация текстовых полей на изображения документов низкого качества"
Д.Е. Иванов, Д.В. Полевой, Д.Л. Шоломов "Отбор информативных элементов для обучения легкого сверточного нейросетевого классификатора в условиях сильного дисбаланса обучающей выборки"
А.Е. Жуковский, Е.Е. Лимонова, Д.П. Николаев "Реализация классических алгоритмов анализа изображений через полносверточные нейронные сети"

Аннотация.

В работе представлены дифференцируемые реализации нескольких классических алгоритмов анализа изображений: детектора краев Канни, детектора углов Харисса и бинаризации Ниблэка. Каждая реализация представлена в виде полносверточной нейронной сети, внутреннее устройство которой в точности повторяет устройство оригинального алгоритма. Использование подобной реализации позволяет настраивать внутренние параметры при помощи градиентного спуска. Как составную часть реализации также представлено обобщение субдискретизирующих (pooling) слоев, позволяющее использовать их совместно с произвольным структурным элементом. Приводится анализ приведенных архитектур сетей и показываются связи с современными подходами.

Ключевые слова:

детектор краев Канни, детектор углов Харисса, бинаризация Ниблэка, полносверточная нейронная сеть.

Стр. 108-116.

DOI: 10.14357/20790279180512

Полная версия статьи в формате pdf. 

Литература

1. Xie S. and Tu Z. Holistically-nested edge detection, ICCV, 2015.
2. Kokkinos I. Pushing the boundaries of boundary detection using deep learning, ICLR, 2016.
3. Maninis K.K., Pont-Tuset J., Arbeláez P. and Van Gool L. Convolutional Oriented Boundaries, ECCV, 2016.
4. Maninis K.K., Pont-Tuset J., Arbeláez P. and Van Gool L. Convolutional Oriented Boundaries: From Image Segmentation to High-Level Tasks, TPAMI, 2018.
5. Pratikakis I., Zagoris K., Barlas G., Gatos B. ICDAR2017 Competition on Document Image Binarization (DIBCO 2017), ICDAR, 2017.
6. Lenc K., Vedaldi A. Learning Covariant Feature Detectors, GMLD workshop at ECCV, 2016.
7. Audet C., Dennis J.E. Mesh Adaptive Direct Search Algorithms for Constrained Optimization, SIAM J. Optim. 17, 2006. p.188–217.
8. Алиев М.А., Николаев Д.П., Сараев А.А. Построение быстрых вычислительных схем настройки алгоритма бинаризации Ниблэка // Труды ИСА РАН. – 2014. – Т. 64. – № 3. – С. 25-34.
9. Jaderberg M., Simonyan K., Zisserman A., Kavukcuoglu K. Spatial Transformer Networks, NIPS, 2015.
10. Sheshkus A., Ingacheva A., Nikolaev D.P. Vanishing Points Detection Using Combination of Fast Hough Transform and Deep Learning, Proc. SPIE 10696, Tenth International Conference on Machine Vision (ICMV 2017), 106960H, pp. 1-8, 2018, DOI: 10.1117/12.2310170.
11. Long J., Shelhamer E., Darrell T. Fully Convolutional Networks for Semantic Segmentation, CVPR, 2015.
12. Niblack W. An Introduction to Digital Image Processing, Englewood Cliffs, PrenticeHall, 1986
13. Harris C., Stephens M. A Combined Corner and Edge Detector, Alvey Vision Conference, 15, 1988.
14. Hahnloser R., Sarpeshkar R., Mahowald M.A., Douglas R.J., Seung H.S. Digital selection and analogue amplification coexist in a cortex-inspired silicon circuit, Nature, 405, pp. 947–951, 2000.
15. Serra J. Image Analysis and Mathematical Morphology, ISBN 0-12-637240-3, 1982.
16. Canny J. A Computational Approach To Edge Detection, IEEE Trans. Pattern Analysis and Machine Intelligence, 8(6):679–698, 1986.
17. Martin D., Fowlkes C., Tal D., Malik J. A Database of Human Segmented Natural Images and its Application to Evaluating Segmentation Algorithms and Measuring Ecological Statistics, Proc. 8th ICCV, 2001.
18. Hinton G.E., Srivastava N., Krizhevsky A., Sutskever I., Salakhutdinov R.R. Improving neural networks by preventing co-adaptation of feature detectors, arXiv:1207.0580, 2012.
19. Ioffe S., Szegedy C. Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift, ICML, 2015.
20. Simonyan K., Zisserman A. Very Deep Convolutional Networks for Large-Scale Image Recognition, ICLR, 2015.
 
     
2024-74-1
2023-73-4
2023-73-3
2023-73-2

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