УНИВЕРСАЛЬНЫЙ ГЕНЕРАТОР ПРИЗНАКОВ ДЛЯ РЕШЕНИЯ ЗАДАЧ КОМПЬЮТЕРНОГО ЗРЕНИЯ

Морев К.И

Об авторах

Морев К.И

АО «Научно-конструкторское бюро вычислительных систем» ул. 1-я Линия, 144-а, г. Таганрог, Ростовская область, 347936, Российская Федерация.

Скачать PDF

УДК: 004.932.2
DOI: 10.24412/2413-7383-2026-1-40-75-88
Язык: Русский

Аннотация: В работе исследуется возможность использования единого генератора признаков для решения нескольких задач компьютерного зрения – обнаружения, классификации объектов и извлечения локальных дескрипторов особых точек. Исследуются архитектуры YOLOv5s, MobileNetV2 и ResNet-50 в качестве моделей, предоставляющих генератор признаков для решения всех упомянутых задач. Эксперименты показывают, что применение общего генератора признаков позволяет существенно ускорить обучение и эксплуатацию алгоритмов компьютерного зрения, сохраняя качество решения.

Ключевые слова: компьютерное зрение, универсальный генератор признаков, архитектуры нейронных сетей, особые точки изображений, сопоставление особых точек.

Список литературы

1. ГОСТ 59385—2021. Информационные технологии. Искусственный интеллект. Ситуационная видеоаналитика. Термины и определения. Москва: Стандартинформ, 2021. 16 с.
2. Уланов С.И. Криводубский О.А. Никитина А.А. Анализ возможностей применения летательных аппаратов в контроле состояния местности // Проблемы искусственного интеллекта. 2024. № 1(32). С. 94-102. URL: http://paijournal.guiaidn.ru/ru/2024/1(32)-7.html (дата обращения: 12.12.2025).
3. Jocher G. YOLOv5 by Ultralytics [Электронный ресурс] // GitHub. URL: https://github.com/ultralytics/yolov5 (дата обращения: 04.01.2026).
4. He K. Zhang X. Ren S. Sun J. Deep Residual Learning for Image Recognition // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2016. P. 770-778.
5. Sandler M. Howard A. Zhu M. Zhmoginov A. Chen L.-C. MobileNetV2: Inverted Residuals and Linear Bottlenecks // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2018. P. 4510-4520.
6. Зуев В.М. Сравнение обнаружения объектов средствами искусственного интеллекта в сравнении с классическими методами // Проблемы искусственного интеллекта. 2024. № 3(34). С. 30-35. URL: http://paijournal.guiaidn.ru/ru/2024/3(34)-3.html (дата обращения: 16.01.2026).
7. Баженов А.Н. Тельнова А.Ю. Обобщение коэффициента Жаккара для анализа данных с интервальной неопределённостью // Измерительная техника. 2022. № 12. С. 15-22.
8. Радиолокационные системы: учебник / В.П. Бердышев, Е.Н. Гарин, А.Н. Фомин [и др.]; под общ. ред. В.П. Бердышева; разраб.: Центр обучающих систем ИнТК СФУ. Версия 1.0. URL: https://vii.sfu - kras.ru/images/libs/Radiolokacionnye_sistemy_SFU_elektr onnyy_resurs.pdf (дата обращения: 15.01.2026).
9. Морев К.И. Боженюк А.В. Сопоставление изображений по особым точкам различных категорий // Известия ЮФУ. Технические науки. 2020. № 3. С. 192-201.
10. Наумов М.А. Карповский А.Ю. Методы повышения точности классификации объектов при построении системы зрения для исследования ограниченных пространств // Проблемы искусственного интеллекта. 2025. № 2(37). С. 4-12. DOI: 10.24412/2413-7383-2025-2-37-4-12.
11. Исследование применения моделей Mask R-CNN и Segment Anything Model (SAM) для инстанс- сегментации мезенхимных стволовых клеток на микрофотографиях / М.В. Солопов, Е.С. Чечехина, А.Г. Попандопуло [и др.] // Проблемы искусственного интеллекта. 2025. № 2(37). С. 21-29. DOI: 10.24412/2413-7383-2025-2-37-21-29.
12. Wang C.-Y. Liao H.-Y.M. Yeh I.-H. Wu Y.-H. Chen P.-Y. Hsieh J.-W. CSPNet: A New Backbone that can Enhance Learning Capability of CNN // arXiv. 2019. arXiv:1911.11929. URL: https://arxiv.org/abs/1911.11929 (дата обращения: 30.12.2025).
13. Redmon J. Divvala S. Girshi ck R. Farhadi A. You Only Look Once: Unified, Real -Time Object Detection // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2016. P. 779 -788.
14. Wang C.-Y. Bochkovskiy A. Liao H.-Y.M. Scaled-YOLOv4: Scaling Up Common Objects Detection // Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision. 2021. P. 117-125.
15. MobileNets: Efficient Convolutional Neural Networks for Vision Applications / A.G. Howard, M. Zhu, B. Chen [и др.] // arXiv. 2017. arXiv:1704.04861.
16. Nagpal P. Bhinge S.A. Shitole A. A Comparative Analysis of ResNet Architectures // 2022 International Conference on Smart Generation Computing, Communication and Networking (SMART GENCON). Bangalore, India, 2022. P. 1-8. DOI: 10.1109/SMARTGENCON56628.2022.10083966.
17. Microsoft COCO 2017: Common Objects in Context / T.-Y. Lin, M. Maire, S. Belongie [и др.] // European Conference on Computer Vision. Springer, 2014. P. 740-755.
18. Хакимов Р.С. Нижникова О.Л. Близно М.В. К вопросу о разработке системы аннотирования данных для задач компьютерного зрения // Проблемы искусственного интеллекта. 2024. № 3(34). С. 70-79. URL: http://paijournal.guiaidn.ru/ru/2024/3(34)-8.html (дата обращения: 18.01.2026).
19. Устенко В.Ю. Бондаренко В.И. Разработка программного комплекса аннотирования данных для задач компьютерного зрения: объектно-ориентированный подход на основе winforms // Проблемы искусственного интеллекта. 2024. № 4(35). С. 151-163. URL: http://paijournal.guiaidn.ru/ru/2024/4(35)-13.html (дата обращения: 20.01.2026).
20. Lowe D. Distinctive image features from scale invariant keypoints // International Journal of Computer Vision. 2004. Vol. 60, № 2. P. 91-110.
21. Bozhenyuk A. Morev K. Influence of Membership Function Type on the Accuracy of Video Tracking Algorithm // Communications in Computer and Information Science. 2021. Vol. 1395. P. 444-453. DOI:

Выпуск: 1(40)'2026
Раздел: ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ И МАШИННОЕ ОБУЧЕНИЕ
Как цитировать: Морев К.И. УНИВЕРСАЛЬНЫЙ ГЕНЕРАТОР ПРИЗНАКОВ ДЛЯ РЕШЕНИЯ ЗАДАЧ КОМПЬЮТЕРНОГО ЗРЕНИЯ // Проблемы искусственного интеллекта. - 2026. - № 1 (40). - С. 75-88. - https://paijournal.guiaidn.ru/ru/2026/1(40)-7.html

Назад к выпуску 1(40)'2026