Аннотация.

В представленной работе предлагается подход, основанный на расширении входного вектора признаков сверточной нейронной сети, основанный на использовании преобразования Хафа. Идея подхода состоит в том, что некоторым фильтрам сверточного слоя на вход будет подано изображение, полученное последовательным морфологическим контрастированием и преобразованием Хафа входного изображения. Таким образом, вычислительная сложность и количество коэффициентов в нейронной сети не изменяется, единственная дополнительная операция – предобработка изображения и преобразование Хафа. Работа предлагаемого метода была продемонстрирована на очень простой архитектуре сети на двух различных задачах. Первая задача – классификация изображений из открытого набора данных CIFAR-10, вторая – распознавание печатных символов на закрытом наборе данных, собранном с российских паспортов. Предлагаемый подход позволил достичь улучшения качества без существенного увеличения времени вычисления, что может быть важно для ряда систем распознавания и классификации изображений с прямыми линиями.

Ключевые слова:

сверточная нейронная сеть, преобразование Хафа, вычисление признаков.

Стр. 83-88.

Полная версия статьи в формате pdf. 

REFERENCES

1. P. Hough, “Method and means for recognizing complex patterns,” (Dec 1962).
2. D. H. Ballard, “Readings in computer vision: Issues, problems, principles, and paradigms,” ch. Generalizing the Hough Transform to Detect Arbitrary Shapes, 714–725, Morgan Kaufmann Publishers Inc., San Francisco, CA, USA (1987).
3. T. Khanipov, I. Koptelov, A. Grigoryev, E. Kuznetsova, and D. Nikolaev, “Vision-based industrial automatic vehicle classifier,” (2015).
4. N. Skoryukina, D. P. Nikolaev, A. Sheshkus, and D. Polevoy, “Real time rectangular document detection on mobile devices,” (2015).
5. D. Krokhina, V. Blinov, S. Gladilin, I. Tarhanov, and V. Postnikov, “Fast roadway detection using car cabin video camera,” (2015).
6. Q. Munib, M. Habeeb, B. Takruri, and H. A. Al- Malik, “American sign language (asl) recognition based on hough transform and neural networks.,” Expert Syst. Appl. 32(1), 24–37 (2007).
7. G. Castellano and M. B. Sandler, “Handwritten digits recognition using hough transform and neural networks,” in Circuits and Systems, 1996. ISCAS ’96., Connecting the World., 1996 IEEE International Symposium on, 3, 313–316 vol.3 (May 1996).
8. J. Koh, K. Mehrotra, C. K. Mohan, and S. Ranka, “Korean character recognition using neural networks,” tech. rep., Syracuse University, Electrical Engineering and Computer Science (05 1990).
9. C. Jennings, “Character recognition using the hough transform,” tech. rep., University of Calgary (March 1993).
10. D. Nikolaev, S. Karpenko, I. Nikolaev, and P. Nikolayev, “Hough transform: Underestimated tool in the computer vision field,” in Proceedings of the 22th European Conference on Modelling and Simulation, 238––246 (2008).
11. CIFAR-10 dataset, https://www.cs.toronto.edu/
kriz/cifar.html.
12. E. Kuznetsova, E. Shvets, and D. Nikolaev, “Viola-Jones based hybrid framework for realtime object detection in multispectral images,” in Proc. SPIE 9875, Eighth International Conference on Machine Vision, 98750N (December 8, 2015), (2015).
13. V. Vanhoucke, A. Senior, and M. Z. Mao, “Improving the speed of neural networks on CPUs,” in Deep Learning and Unsupervised Feature Learning Workshop, NIPS 2011, (2011).
14. R. Rigamonti, A. Sironi, V. Lepetit, and P. Fua, “Learning separable filters,” in Conference on Computer Vision and Pattern Recognition, (2013).
15. E. Limonova, D. Ilin, and D. Nikolaev, “Improving neural network performance on simd architectures,” in Eighth International Conference on Machine Vision, 98750L–98750L, International Society for Optics and Photonics (2015).
16. E. Limonova, A. Sheshkus, and D. Nikolaev, “Computational optimization of convolutional neural networks using separated filters architecture,” International Journal of Applied Engineering Research 11(11), 7491–7494 (2016).