ФОРМАЛЬНЕ ПРЕДСТАВЛЕННЯ ПРОЦЕСУ ПОПІКСЕЛЬНОЇ КЛАСИФІКАЦІЇ З ВИКОРИСТАННЯМ МОДИФІКОВАНОЇ НЕЙРОННОЇ МЕРЕЖІ ВАНГА-МЕНДЕЛЯ
DOI:
https://doi.org/10.30837/ITSSI.2020.13.122Ключові слова:
сегментація, класифікація, нечітка множина другого типу, нечітка нейронна мережа, продукційна модельАнотація
Предметом дослідження в статті є процеси формалізації задачі попиксельної класифікації з використанням модифікованої нечіткої нейронної продукційної мережі Ванга-Менделя для сегментації міських будов при автоматизованому аналізі космічних та аерофотознімків території міста. Мета роботи – розробка архітектури модифікованої нечіткої нейронної продукційної мережі Ванга-Менделя у якості класифікатора для сегментації зображень для підвищення значень оперативності та достовірності міського моніторингу. В статті вирішуються наступні завдання: аналіз можливостей модифікації мережі Ванга-Менделя на основі подання функцій приналежності в термінах інтервальних нечітких множин другого типу (ІНМТ2) і реалізація операцій фазифікації, агрегування і активації з використанням операцій на ІНМТ2, розробка архітектури модифікованої нечіткої нейронної продукційної мережі Ванга-Менделя у якості класифікатора для сегментації зображень. Використовуються такі методи та моделі: методи та моделі теорії нечітких множин (нечітка нейронна мережа Ванга-Менделя, інтервальні нечіткі множини другого типу), методи та моделі методології глибокого навчання (згорткова нейронна мережа для сегментації зображень (автокодувальник) U-net). Отримано наступні результати: запропоновано використання нечіткої нейронної мережі Ванга-Менделя в якості класифікатора модифікованого декодера U-Net на основі подання функцій приналежності в ІНМТ2 і реалізація операцій фазифікації, агрегування і активації з використанням операцій на ІНМТ2; введення додаткової операції приведення типу в шарі дефаззіфікації вихідної змінної на основі класичного методу центру тяжіння (centroid); введення декількох виходів мережі для розпізнавання відповідної кількості класів (підкласів) предметної області. Для цього третій шар представляється як набір з декількох пар нейронів суматорів, а четвертий реалізує кілька нейронів-нормализаторів, кількість яких відповідає кількості пар третього шару. Висновок: застосування у архітектурі згорткової нейронної мережі для сегментації зображень U-net у якості класифікатора модифікованої нечіткої нейронної продукційної мережі Ванга-Менделя забезпечить додаткове підвищення точності попіксельної класифікації визначених об'єктів. Замість нечітких множин першого типу (НМТ1) в даній мережі використовуються ІНМТ2. Запропоновані ІНМТ2, з одного боку, забезпечують формалізацію більшої кількості додаткових ступенів невизначеності в порівнянні з НМТ1, з іншого боку, є такими, що "реалізовуються" при розробці нечітких систем (моделей) і мають меншу обчислювальну складність, у порівнянні з нечіткими множинами другого типу (НМТ2).
Посилання
Mishchenko, V. A. Mishchenko, V. A., Astakhova, I. F., Krasnoyarov, A. A. (2012), "Learning algorithm for the Wang-Mendel fuzzy neural network for recognizing handwritten characters in the work of the postal service" ["Algoritm obucheniya nechetkoy neyronnoy seti Vanga-Mendelya dlya raspoznavaniya rukopechatnykh simvolov v rabote pochtovoy sluzhby"], Bulletin of Voronezh State University. Series: System Analysis and Information Technologies, No. 1, P. 141–146.
"Semantic segmentation: a quick guide" ["Semanticheskaya segmentatsiya: kratkoye rukovodstvo"], available at : https://neurohive.io/ru/osnovy-data-science/semantic-segmention/.
Ronneberger, O., Fischer, P., Brox, T. (2015), "U-net: Convolutional networks for biomedical image segmentation", In International Conference on Medical image computing and computer-assisted intervention, Springer, P. 234–241.
Kuksa, P. P. "Analysis of neural network-fuzzy models" ["Analiz neyrosetevykh-nechetkikh modeley"], Moscow State Technical University, available at : http://pkuksa.org/~pkuksa/publications/nfm-analysis-c-0-sept-03.pdf
Kruglov, V. V., Dli, M. I., Golunov, R. Yu. (2001), Fuzzy logic and artificial neural networks [Nechetkaya logika i iskusstvennyye neyronnyye seti], Fizmatlit, 224 p.
Olizarenko, S. A., Kapranov, V. A., Safronov, R. V. (2016), "Development of a fuzzy convolutional neural network architecture for the recognition of compact (point) objects in a digital aerial photograph" ["Rozrobka arkhitektury nechitkoyi z·hortochnoyi neyronnoyi merezhi dlya rozpiznavannya kompaktnykh (tochkovykh) obʺyektiv na tsyfrovomu aerofotoznimku"], Systems of Arms and Military Equipment, Kharkiv, HUPS, Issue 4 (48), P. 38–41.
Ivanov, E. S., Tishchenko, I. P., Vinogradov, A. N. (2019), "Segmentation of multispectral images using convolutional neural networks" ["Segmentatsiya mul'tispektral'nykh snimkov s primeneniyem svortochnykh neyronnykh setey"], Modern problems of remote sensing of the Earth from space, Vol. 16, No. 1, P. 25–34.
Soloviev, R. A., Telpukhov, D. V., Kustov, A. G. (2017), "Automatic segmentation of satellite images based on a modified convolutional neural network UNET" ["Avtomaticheskaya segmentatsiya sputnikovykh snimkov na baze modifitsirovannoy svortochnoy neyronnoy seti UNET"], Engineering Bulletin of the Don, No. 4, available at : ivdon.ru/ru/magazine/archive/n4y2017/4433
Long, J., Shelhamer, E., Darrell, T. (2015), "Fully Convolutional Networks for Semantic Segmentation", Computer Vision and Pattern Recognition (cs.CV), available at : https://arxiv.org/abs/1411.4038
Gordienko, A. S. (2015), "The use of index images for detecting changes in space images of different times" ["Primeneniye indeksnykh izobrazheniy pri vyyavlenii izmeneniy po raznovremennym kosmicheskim snimkam"], Interexpo GEO-Siberia-2015. XI Int. scientific. Congr. : Int. scientific. conf. "Remote sensing methods of the Earth and photogrammetry, environmental monitoring, geoecology": collection of articles. materials in 2 volumes (Novosibirsk, April 13-25, 2015), Novosibirsk : SGUGiT, Vol. 1, P. 67–70.
Gavrilova, T. A., Khoroshevsky, V. F. (2000), Knowledge bases of intelligent systems [Bazy znaniy intellektual'nykh sistem], SPb. : Peter, 384 p.
Iskander, Yu. M. (2003), Creation of knowledge bases of intelligent systems [Sozdaniye baz znaniy intellektual'nykh sistem], Ministry of Defense of the Russian Federation, 233 p.
Milletari, F., Navab, N., Ahmadi, S. (2016), "V-Net: Fully Convolutional Neural Networks for Volumetric Medical Image Segmentation", 2016 Fourth International Conference on 3D Vision (3DV), Stanford, CA, P. 565–57.
Takagi, T., Sugeno, M. (1985), "Fuzzy Identification of Systems and Its Applications to Modeling and Control", IEEE Trans. on Systems, Man, and Cybernetics, Vol. 15, No. 1, P. 116–132.
Mendel, J. M., Hagras, H., John, R. I. "Standard Background Material About Interval Type-2 Fuzzy Logic Systems", IEEE CIS Standards Committee, available at : http://ieee-cis.org/technical/standards
##submission.downloads##
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2020 Oleksii Kolomiitsev, Volodymyr Pustovarov
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Наше видання використовує положення про авторські права Creative Commons для журналів відкритого доступу.
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License (CC BY-NC-SA 4.0), котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
Автори мають право укладати самостійні додаткові угоди щодо не комерційного та не ексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису опублікованої роботи, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи.
