Нейромережевий метод виявлення текстурних аномалій у цифровому зображенні
| dc.contributor.author | Дрєєв, О. М. | |
| dc.contributor.author | Доренський, О. П. | |
| dc.contributor.author | Дрєєва, Г. М. | |
| dc.contributor.author | Drieiev, О. | |
| dc.contributor.author | Dorenskyi, О. | |
| dc.contributor.author | Drieievа, Н. | |
| dc.date.accessioned | 2023-05-04T06:57:37Z | |
| dc.date.available | 2023-05-04T06:57:37Z | |
| dc.date.issued | 2022 | |
| dc.description.abstract | Сучасні системи комп’ютерного зору часто використовують для оброблення цифрового зображення нейронні мережі. Однак для цього потрібно створювати бази даних для їх навчання, що в здебільшого складає переважну долю ресурсів ІТ-проєкту. Тож актуальною задачею, аспекти якої розглянуто в цій статті, є методи підвищення якості навчання нейронних мереж на даних меншого обсягу. Також актуальним є й можливість оброблення даних, характер яких не був наявним в початковій базі прикладів для навчання. Для розв’язання цієї науково-технічної задачі – підвищення якості сегментації зображення за присутніми текстурними особливостями, – в роботі пропонується використовувати як вхідну інформацію до нейронної мережі не лише безпосередньо цифрове зображення, а й його локальні статистичні показники. Означене розширює інформативність вхідної інформації і нейронній мережі не потрібно вчитися для їх виділення. Для цього достатньо прийняти рішення щодо їх використання або нехтування як ознаками. Також для виділення текстурних особливостей запропоновано використовувати самоорганізаційні вихідні шари, які здатні працювати як класифікатори, що групують елементи за схожими групами ознак. У праці показано застосовність запропонованих рішень до текстурної сегментації цифрових зображень, зокрема картографічних фотографічних зображень. Modern computer vision systems often use neural networks to process images. But to use neural networks, you need to create databases to train these neural networks. In some cases, creating a training database takes the vast majority of the project's financial and human resources. Therefore, the actual task of finding methods to improve the quality of learning neural networks on small data is considered in this article. The ability to process data, which nature was not present in the original training database is relevant, also. To solve the problem of improving the quality of image segmentation by textural anomalies, this research is proposed to use as input to the neural network not only the image but also its local statistic data. It can increase the information content of the input information for the neural network. Therefore, neural networks do not need to learn to choose statistical features but simply use them. This investigation classifies the requirements for image segmentation systems to indicate atypical texture anomalies. The literature analysis revealed various methods and algorithms for solving such problems. As a result, in this science work, the process of finding features in the photo is summarized in stages. The division into stages of search for features allowed to choose arguments for methods and algorithms that can perform the task. At each stage, requirements were formed for methods, that allowed separate the transformation of image fragments into a vector of features by using an artificial neural network (trained on a separate image of the autoencoder). Statistical features supplement by the vector of features of the image fragment. Numerous experiments have shown that the generated feature vectors improve the classification result for an artificial Kohonen neural network, which is able to detect atypical image fragments. | uk_UA |
| dc.identifier.citation | Дрєєв, О. М. Нейромережевий метод виявлення текстурних аномалій у цифровому зображенні / О. М. Дрєєв, О. П. Доренський, Г. М. Дрєєва // Центральноукраїнський науковий вісник. Технічні науки : зб. наук. пр. – Кропивницький : ЦНТУ, 2022. – Вип. 5(36). – Ч. 2. – С. 335-346. | uk_UA |
| dc.identifier.uri | https://doi.org/10.32515/2664-262X.2022.5(36).2.335-346 | |
| dc.identifier.uri | https://dspace.kntu.kr.ua/handle/123456789/12762 | |
| dc.language.iso | uk_UA | uk_UA |
| dc.publisher | ЦНТУ | uk_UA |
| dc.subject | нейронна мережа | uk_UA |
| dc.subject | цифрове зображення | uk_UA |
| dc.subject | сегментація | uk_UA |
| dc.subject | текстура | uk_UA |
| dc.subject | нейронна мережа Кохонена | uk_UA |
| dc.subject | image segmentation | uk_UA |
| dc.subject | neural network | uk_UA |
| dc.subject | Kohonen | uk_UA |
| dc.subject | autoencoder | uk_UA |
| dc.subject | convolution | uk_UA |
| dc.subject | Kohonen's neural networks | uk_UA |
| dc.title | Нейромережевий метод виявлення текстурних аномалій у цифровому зображенні | uk_UA |
| dc.title.alternative | Neural Network Method for Detecting Textural Anomalies in a Digital Image | uk_UA |
| dc.type | Article | uk_UA |