Розпізнавання об’єктів аерозйомки на основі наборів даних з різною агрегацією класів
DOI:
https://doi.org/10.15587/1729-4061.2023.272951Ключові слова:
розпізнавання об’єктів аерозйомки, класифікація наборів даних, точність розпізнавання, нейронна мережа групи ConvNetsАнотація
Об’єктом долідження даної роботи є алгоритми розпізнавання об’єктів аерозйомки, а саме проведення аналізу точності розпізнавання на основі наборів даних з різною агрегацією класів.
Для вирішення цієї задачі розроблено інформаційну систему для розпізнавання об’єктів за даними аерофотозйомки. Для створення інформаційної системи була обрана та використана архітектура, що базується на архітектурах нейронних мереж групи ConvNets з модифікаціями у структурі. Використання згорткової нейронної мережі групи ConvNets в архітектурі інформаційної системи для розпізнавання об’єктів аерозйомки дає високі показники точності при навчанні інформаційної системи і валідації її результатів. Але досліджень з приводу навчання нейронної мережі групи ConvNets авторами не виявлено. Тому було прийняте рішення провести аналіз в якому разі мережа групи ConvNets надасть результати валідації з більш високою точністю, коли навчання відбувається на датасетах з агрегацією класів чи без неї.
Проведено аналіз точності розпізнавання об’єктів аерозйомки на основі наборів даних з різною агрегацією класів. Набір даних, що використовувався для навчання нейронної мережі складався з 3-канальних розмічених зображень розміру 64х64 пікселів. На основі аналізу обрана оптимальна кількість епох для навчання, що дає можливість розпізнавати об’єкти аерозйомки з більшою точністтю і швидкістю. Зроблено висновок, що більша точність при класифікації зображень досягається для вибірки без перетину даних з різних класів (без агрегації класів). Результат роботи рекомендується використовувати при автоматизації наповнення датасетів, та інформаційною фільтрацією візуальних образів
Посилання
- Abbas, A., Yadav, V., Smith, E., Ramjas, E., Rutter, S. B., Benavidez, C. et al. (2021). Computer Vision-Based Assessment of Motor Functioning in Schizophrenia: Use of Smartphones for Remote Measurement of Schizophrenia Symptomatology. Digital Biomarkers, 5 (1), 29–36. doi: https://doi.org/10.1159/000512383
- Minz, P. S., Saini, C. S. (2021). Comparison of computer vision system and colour spectrophotometer for colour measurement of mozzarella cheese. Applied Food Research, 1 (2), 100020. doi: https://doi.org/10.1016/j.afres.2021.100020
- Gao, S., Guan, H., Ma, X. (2022). A recognition method of multispectral images of soybean canopies based on neural network. Ecological Informatics, 68, 101538. doi: https://doi.org/10.1016/j.ecoinf.2021.101538
- Prystavka, P., Dukhnovska, K., Kovtun, O., Leshchenko, O., Cholyshkina, O., Zhultynska, A. (2021). Devising information technology for determining the redundant information content of a digital image. Eastern-European Journal of Enterprise Technologies, 6 (2 (114)), 59–70. doi: https://doi.org/10.15587/1729-4061.2021.248698
- Appiah, O., Asante, M., Hayfron-Acquah, J. B. (2022). Improved approximated median filter algorithm for real-time computer vision applications. Journal of King Saud University - Computer and Information Sciences, 34 (3), 782–792. doi: https://doi.org/10.1016/j.jksuci.2020.04.005
- Liu, L., Chen, C. L. P., Zhou, Y., You, X. (2015). A new weighted mean filter with a two-phase detector for removing impulse noise. Information Sciences, 315, 1–16. doi: https://doi.org/10.1016/j.ins.2015.03.067
- Belattar, S., Abdoun, O., Haimoudi, E. K. (2022). A Novel Strategy for Improving the Counter Propagation Artificial Neural Networks in Classification Tasks. Journal of Communications Software and Systems, 18 (1), 17–27. doi: https://doi.org/10.24138/jcomss-2021-0121
- Kravchenko, Y., Leshchenko, O., Dakhno, N., Deinega, V., Shevchenko, H., Trush, O. (2020). Intellectual Fuzzy System Air Pollution Control. 2020 IEEE 2nd International Conference on Advanced Trends in Information Theory (ATIT). doi: https://doi.org/10.1109/atit50783.2020.9349334
- Mahdianpari, M., Salehi, B., Rezaee, M., Mohammadimanesh, F., Zhang, Y. (2018). Very Deep Convolutional Neural Networks for Complex Land Cover Mapping Using Multispectral Remote Sensing Imagery. Remote Sensing, 10 (7), 1119. doi: https://doi.org/10.3390/rs10071119
- Prystavka, P., Dolgikh, S., Kozachuk, O. (2022). Terrain Image Recognition with Unsupervised Generative Representations: the Effect of Anomalies. 2022 12th International Conference on Advanced Computer Information Technologies (ACIT). doi: https://doi.org/10.1109/acit54803.2022.9913178
- Muhtasim, D. A., Pavel, M. I., Tan, S. Y. (2022). A Patch-Based CNN Built on the VGG-16 Architecture for Real-Time Facial Liveness Detection. Sustainability, 14 (16), 10024. doi: https://doi.org/10.3390/su141610024
- Zhang, H., Luo, X. (2022). The Role of Knowledge Creation-Oriented Convolutional Neural Network in Learning Interaction. Computational Intelligence and Neuroscience, 2022, 1–12. doi: https://doi.org/10.1155/2022/6493311
- Hong, M., Choe, Y. (2019). Wasserstein Generative Adversarial Network Based De-Blurring Using Perceptual Similarity. Applied Sciences, 9 (11), 2358. doi: https://doi.org/10.3390/app9112358
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2023 Pylyp Prystavka, Kseniia Dukhnovska, Oksana Kovtun, Olga Leshchenko, Olha Cholyshkina, Vadym Semenov
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.
Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.
