МЕТОДЫ ПОВЫШЕНИЯ ТОЧНОСТИ КЛАССИФИКАЦИИ ОБЪЕКТОВ ПРИ ПОСТРОЕНИИ СИСТЕМЫ ЗРЕНИЯ ДЛЯ ИССЛЕДОВАНИЯ ОГРАНИЧЕННЫХ ПРОСТРАНСТВ

О журнале

Новости

Цели и сфера

Основатель и издатель

Редакционная коллегия

Условия лицензирования

Конфиденциальность

Отношение к плагиату

Публикационная этика

Политика архивирования

Подписка

Для авторов

Инструкции для авторов

Процесс рецензирования

Авторские права

Договор о передаче прав

Редакционные сборы

Архив

Все выпуски

Поиск

Контакты

Контакты

Наумов Максим Александрович
младший научный сотрудник отдела автоматизации горных машин
Государственное бюджетное учреждение «Научноисследовательский и проектно-конструкторский институт по автоматизации горных машин «Автоматгормаш им. В.А. Антипова», г. Донецк.
Область научных интересов: системы автоматического управления и машинное зрение

Карповский Артур Юрьевич
заведующий отделом автоматизации горных машин
Государственное бюджетное учреждение «Научно-исследовательский и проектно-конструкторский институт по автоматизации горных машин «Автоматгормаш им. В.А. Антипова», г. Донецк.
Область научных интересов: приборостроение и радиоэлектроника

Скачать pdf

УДК 519.4
DOI 10.24412/2413-7383-2025-2-37-4-12
Язык: Русский
Аннотация: В статье рассматриваются методы повышения точности классификации объектов в системах технического зрения, работающих в ограниченных пространствах. Предложены подходы к синтезу нейросетевых моделей на основе логических нейронов и сигмоидальных функций активации, обеспечивающие адаптивность к неполным и зашумлённым данным. Развита концепция фрактальной структуры (ФФС) и кооперативной нейросетевой архитектуры, объединяющей частные модели для улучшения точности решений. Представленные методы повышают интерпретируемость и устойчивость нейросетей, что особенно актуально для интеллектуальных систем навигации и анализа в технически сложных условиях.
Ключевые слова: Искусственные нейронные сети, классификация объектов, фрактальная структура нейросети, системы технического зрения, логические нейроны.

Список литературы:
1. Справочник по теории автоматического управления [Текст] / А. Г. Александров, В. М. Артемьев, В. Н. Афанасьев и др.; под ред. А. А. Красовского. М.: Наука, 1987. 712 с. 2. Методы классической и современной теории автоматического управления [Текст].
2. Статистическая динамика и идентификация систем автоматического управления: учеб. / К. А. Пупков, Н. Д. Егупов, Е. М. Воронов и др.; под ред. К. А. Пупкова, Н. Д. Егупова. 2-е изд., перераб. и доп. М.: Издательство МГТУ им. Н. Э. Баумана, 2004. 640 с.
3. Методы классической и современной теории автоматического управления [Текст]. Т. 5. Методы современной теории автоматического управления: учеб. / К. А. Пупков, Н. Д. Егупов, А. И. Баркин и др.; под ред. К. А. Пупкова, Н. Д. Егупова. 2-е изд., перераб. и доп. М.: Издательство МГТУ им. Н. Э. Баумана, 2004. 784 с.
4. Методы робастного, нейро-нечеткого и адаптивного управления [Текст]: учеб. / К. А. Пупков, Н. Д. Егупов, А. И. Гаврилов и др.; под ред. Н. Д. Егупова; изд. 2-ое, стереотипное. М.: Издательство МГТУ им. Н.Э. Баумана, 2002. 744 с.
5. Колмогоров, А. Н. О представлении непрерывных функций нескольких переменных в виде суперпозиции непрерывных функций одного переменного и сложения Докл. АН СССР. 1957. Т. 114, №5. С. 953—956.
6. Hecht-Nielsen R. Kolmogorov’s Mapping Neural Network Existence Theorem. IEEE First Annual Int. Conf. on Neural Networks. 1987. Vol.3.P. 11—13.
7. Юрков, Д. А. Метод синтеза нейросетевых модельных структур. Вісн. Східноукр. нац. ун-ту. 2009. № 5 (135). С. 115—122.
8. Юрков, Д. А. Синтез нейронных сетей с фрактальной структурой. Восточно-Европейский журнал передовых технологий. 2009. № 4-3 (40). С. 39—44.
9. Юрков, Д. А. Классификация на основе кооперативных нейросетевых структур. ВосточноЕвропейский журнал передовых технологий. 2009. №5-3 (41). С. 51—56.
10.Сивак, М. А. Исследование применимости робастных функций потерь в нейронных сетях . Сборник научных трудов НГТУ. 2020. № 4. С. 50—58.
11.Сивак, М. А. Оптимизация работы робастной нейронной сети для задачи классификации [Текст] / М. А. Сивак, В. С. Тимофеев. Наука. Технологии. Инновации: сб. науч. тр.: в 9 ч., Новосибирск, 30 нояб. 4 дек. 2020 г. Ч. 2. Изд-во НГТУ, 2020. С. 298 — 300.
12. Fujimoto, S. An Equivalence between Loss Functions and Non-Uniform Sampling in Experience Replay / S. Fujimoto, D. Meger, D. Precup. 2020. URL: https://inlnk.ru/poZ0mB.
13.Сивак, М. А. Классификация зашумленных данных при различных объемах выборки [Текст] / М. А. Сивак. Наука. Технологии. Инновации: сб. науч. тр.: в 9 ч., Новосибирск, 6–10 дек. 2021 г. Ч. 2. Издво НГТУ, 2021. С. 277 — 279.
14.Сивак, М. А. Настройка робастных нейронных сетей для решения задачи классификации [Текст] / М. А. Сивак, В. С. Тимофеев. Доклады Томского государственного университета систем управления и радиоэлектроники. 2021. Т. 24, № 3. С. 26 — 32.
15.Сивак, М. А. Построение робастных нейронных сетей с различными функциями потерь [Текст] / М. А. Сивак, В. С. Тимофеев. Системы анализа и обработки данных. 2021. Т. 82, № 2. С. 67—83.
16. Тимофеев, В. С. Робастная нейронная сеть с простой архитектурой [Текст] / В. С. Тимофеев, М. А. Сивак // Сибирский журнал индустриальной математики. 2021. Т. 24, № 4. С. 126—138.
17. Yukang Chen, Yanwei Li, Tao Kong, Lu Qi, Ruihang Chu, Lei Li, Jiaya Jia. Scale-aware Automatic Augmentation for Object Detection // CVPR. 2021. P. 9563-9572.
18.Rowel Atienza. Data Augmentation for Scene Text Recognition // ICCVW. 2021. P. 1561-1570.
19. Zhun Zhong, Liang Zheng, Guoliang Kang, Shaozi Li, Yi Yang. Random Erasing Data Augmentation // AAAI. 2020. P. 13001-13008.
20. Иванов Д. А., Турута Д. В. Применение методов аугментации данных для повышения точности классификации изображений. Искусственный интеллект и принятие решений. 2022. № 3. С. 45–56.
21. Talukdar S, Mahato S, Shahfahad Pal S, Liou YA, Rahman A. Land-use land-cover classification by machine learning classifiers for satellite observations–A review. Remote Sens 2020; 12(7): 1135. DOI: 10.3390/rs12071135.

Выпуск: 2(37)'2025
Раздел: ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ И МАШИННОЕ ОБУЧЕНИЕ
Как цитировать: Наумов, М. А. Методы повышения точности классификации объектов при построении системы зрения для исследования ограниченных пространств / М. А. Наумов, А. Ю. Карповский // Проблемы искусственного интеллекта. – 2025. – № 2(37). – С. 4-12. – DOI 10.24412/2413-7383-2025-2-37-4-12. – EDN RFEVMB.

Назад к выпуску 2(37)'2025