CC BY
28УДК: 004.932.4 EDN: VJQEVA
DOI: https://doi.org/10.47813/2782-5280-2023-2-2-0224-0241
Использование нейросетевого подхода при постобработке части оцифрованных киноматериалов кинооператора
Ю. Я. Ковтуна
А. В. Блинников1'2, И. В. Ковалев1'2'3
1 Красноярский государственный аграрный университет, Красноярск, Россия 2Сибирский федеральный университет, Красноярск, Россия 3 Сибирский государственный университет науки и технологий имени академика М.Ф.
Решетнева, Красноярск, Россия
Аннотация. В статье рассматривается использование нейросетевого подхода при постобработке части оцифрованных киноматериалов северного кинооператора Ю.Я. Ковтуна. Авторами исследуется и изучается монтажно-коррекционный и нейросетевой методы применительно к части оцифрованных материалов северного оператора, таких как «День города - Норильск», «40 минут от Норильска», «Ангарская сосна идёт к океану», «Ледин и его героиня». Представлены численные результаты обработки полноценных кинокопий и визуальные результаты экспериментов, которые обеспечили улучшение визуальных характеристик оцифрованных киноматериалов. При этом большая часть эпизодов обрабатывалась покадрово сочетанием Topaz-инструментов. Дана оценка качества обработки в ImageDiscerner и представлены карты отличий и гистограммы сравнений кадров по Brightness (яркости), Solid Areas (сплошной области), Saturation (насыщению) и RGB для оцифрованных киноматериалов.
Ключевые слова: технологии искусственного интеллекта, нейросеть, визуализация, цифровое преобразование, шумоподавление, компьютерная колоризация, цифровой фильтр.
Для цитирования: Блинников, А. В., & Ковалев, И. В. (2023). Использование нейросетевого подхода при постобработке части оцифрованных киноматериалов кинооператора Ю. Я. Ковтуна. Информатика. Экономика. Управление - Informatics. Economics. Management, 2(2), 0224-0241. https://doi.org/10.47813/2782-5280-2023-2-2-0224-0241
The use of a neural network approach in the post-processing of part of the digitized film materials of cameraman
Yu. Ya. Kovtun
A. V. Blinnikov12, I. V. Kovalev12 3
© А. В. Блинников, И. В. Ковалев, 2023 0224
Krasnoyarsk State Agrarian University, Krasnoyarsk, Russia 2Siberian Federal University, Krasnoyarsk, Russia 3Reshetnev Siberian State University of Science and Technology, Krasnoyarsk, Russia
Abstract. The article discusses the use of a neural network approach in the post-processing of part of the digitized film materials of cameraman (northern operator) Yu.Ya. Kovtun. The authors research and study editing-correctional and neural network methods in relation to some of the digitized materials of the northern operator, such as "City Day - Norilsk", "40 minutes from Norilsk", "Angara Pine Goes to the Ocean", "Ledin and his Heroine". Numerical results of processing full-fledged film copies and visual results of experiments that improved the visual characteristics of digitized film materials are presented. At the same time, most of the episodes were processed frame by frame using a combination of Topaz tools. An assessment of the quality of processing in ImageDiscerner is given and maps of differences and histograms of comparisons of frames by Brightness, Solid Areas, Saturation and RGB for digitized film materials are presented.
Keywords: artificial intelligence technologies, neural network, visualization, digital transformation, noise reduction, computer colorization, digital filter.
For citation: Blinnikov, A. V., & Kovalev, I. V. (2023). The use of a neural network approach in the post-processing of part of the digitized film materials of cameraman Yu. Ya. Kovtun. Informatics. Economics. Management, 2(2), 0224-0241. https://doi.org/10.47813/2782-5280-2023-2-2-0224-0241
ВВЕДЕНИЕ
В настоящее время общее число только хроникально-документальных фильмов в КГАУК «Енисей кино» приближается к 4000. В 2019 году из Норильска в Красноярск навигационным путём по Енисею было доставлено 457 кинолент на 35 мм киноплёнке из «Северного архива» [1]. В 2023 году из Шушенского в Красноярск были привезены несколько кинолент на 35 мм и на 16 мм киноплёнке из личных материалов кинооператора Юрия Яковлевича Ковтуна, которые были предоставлены его внуком Третьяковым Вячеславом Игоревичем. Это фильмы «40 минут от Норильска» и «Ангарская сосна идёт к океану». Из этих материалов были так же оцифрованы кадры с режиссером Юрием Лединым и его белой медведицей Айкой, а также ещё ряд событийных моментов.
Известно, что нейронные сети - это мощный инструмент для обработки и анализа данных [2], который используется во многих областях, включая компьютерное зрение, обработку естественного языка и распознавание речи. Одной из наиболее важных областей применения нейронных сетей является обработка изображений и видео.
Одной из задач, которые решают нейронные сети, является улучшение качества оцифрованного видео путем удаления артефактов и шумов. Артефакты и шумы - это
нежелательные элементы на изображениях и видео, которые могут быть вызваны различными факторами, такими как низкое качество камеры, плохие условия освещения, царапины киноплёнки, физические повреждения плёнки и т.д.
Нейронные сети могут помочь улучшить качество изображений и видео, потому что они могут обучаться на большом количестве данных и выявлять закономерности в изображениях и видео. Именно это позволяет им удалять артефакты и шумы, а также улучшать качество оцифрованного видео.
МЕТОДЫ И МАТЕРИАЛЫ
Во время хранения кинопленок, в том числе и обработанных, начинается усадка, причем на величину усадки сильно влияют характер упаковки рулонов, плотность намотки, температура и влажность в помещении. Иногда происходит удлинение продольных размеров кинопленки, например, при растяжении.
Исследования, проведенные компанией Kodak, показали, что, когда триацетатная кинопленка начинает стареть, ионы ацетата вступают в реакцию с парами воды, содержащимися в воздухе, в результате чего создается уксусная кислота, имеющая характерный запах винного уксуса.
Старение кинопленки после того, как оно уже началось, протекает со все возрастающей скоростью и полностью остановить его невозможно. Оптимизируя условия хранения, можно лишь слегка замедлить этот процесс [3].
Под временными изменениями размеров кинопленок понимают усадку или удлинение вследствие влияния влажности окружающего воздуха. Изменение влажности воздуха на 1% вызывает почти вдвое большее изменение размеров по сравнению с колебаниями по температуре на 1°С, однако эти процессы обратимы.
Согласно ГОСТ 19-62—76 кинопленки должны храниться при температуре воздуха 50 ± 5° и относительной влажности 60 ± 10% — до 15 суток; при температуре 20 + 2°С - 5°С и относительной влажности 60 + 5% - 10% — до одного года; при температуре 15 ± 5° и относительной влажности 50 + 15% - 10% — до трех лет; с температурой 10 ± 5°С и относительной влажности 50 ± 10% — свыше трех лет [1].
В процессе оцифровки и постобработки использовалось несколько методов. Дадим их краткое описание.
Физико-технический метод увлажнения киноплёнки
Увлажнение киноплёнки значительно помогает при оцифровке киноматериалов. Пересохшую киноленту практически всегда можно попытаться сделать рабочей с помощью увлажнения спецсоставом, однако, испорченную неправильным увлажнением плёнку спасти уже будет невозможно [3].
Для увлажнения киноплёнки в КГБУК «Енисей кино» фильмопроверщиками используется несколько составов: на основе глицерина и ацетона и глицерина с применением изопропилового спирта.
Процентное соотношение увлажняющей (фильмостатной) жидкости, используемой в процессе увлажнения, составляет: 25% глицерина, 15% ацетона и 60% дистиллированной воды.
Внутрь частёвой банки закладывается увлажняющий элемент. Это, как правило, прокладка из пористого материала (сукно, войлок, хлопчатобумажная ткань, картон и пр.), которая смачивается фильмостатной жидкостью [3].
Рисунок 1. Увлажнение киноплёнки. Figure 1. Wetting of the film.
На картон в фильмостатной жидкости следует поместить алюминиевый диск с отверстиями-перфорациями диаметром 7 мм (см. рисунок 1). Сверху кладётся рулон киноплёнки. Затем киноплёнка помещается в термостат для увлажнения и находится в нём от одних суток до недели, в зависимости от сухости киноплёнки.
Монтажно-коррекционный метод
При первичной обработке в видеографическом редакторе для уже оцифрованных материалов проводится авторазбивка сцен фильма на эпизоды. После чего в мануальном
режиме выполняется проверка авторазбивки с дополнительной резкой кадров на монтажные сцены, схожие по цвето-светогамме, для дальнейшей работы (рисунок 2).
Рисунок 2. Сцены фильма в видеоредакторе. Figure 2. Movie scenes in the video editor.
Затем каждая сцена подвергалась цветокоррекции, дополнительной обработке, если того требовала сцена - то использовались «маски», фильтры, дополнительная резкость и т.д. (рисунок 3).
Рисунок 3. Монтажная станция в работе.
Figure 3. Mounting station in operation.
После цветокоррекции проводится операция по шумоподавлению и удалению пыли. Выбирались предустановки для каждой киноленты отдельно и индивидуально.
Нейросетевой метод
Нейронные сети являются мощным инструментом для анализа и обработки изображений и видео, включая низкокачественные данные [2]. Работа с низкокачественными изображениями или видео, содержащими артефакты, шумы или искажения, представляет собой сложную задачу, поскольку такие дефекты могут затруднить правильное распознавание объектов, сцен или действий [4].
Однако современные нейронные сети, такие как сверточные нейронные сети (CNN) и генеративно-состязательные сети (GAN), могут быть обучены для улучшения качества изображений и видео, устранения шумов и артефактов, а также восстановления потерянных деталей [5].
В целом, нейронные сети способны значительно улучшить низкокачественны изображения и видео, устранять артефакты, шумы и искажения, а также обеспечивать более точное и надежное распознавание объектов и сцен [4].
Выделяют пять семейств перцептронов, обладающих, характерными свойствами.
• Перцептроны, ограниченные по диаметру — каждая фигура X, распознаваемая частными предикатами, не превосходит по диаметру некоторую фиксированную величину.
• Перцептроны ограниченного порядка — каждый частный предикат зависит от ограниченного количества точек из X.
• Перцептроны Гамбы — каждый частный предикат должен быть линейной пороговой функцией, т. е. мини-перцептроном.
• Случайные перцептроны — перцептроны ограниченного порядка, где частные предикаты представляют собой случайно выбранные булевы функции. Отмечается, что именно эта модель наиболее подробно изучалась группой Розенблатта.
• Ограниченные перцептроны — множество частных предикатов бесконечно, а множество возможных значений коэффициентов ßj конечно.
Вычисления в большинстве РНС (рекуррентных нейронных сетях) можно разложить на три блока параметров и ассоциированные с ними преобразования [6]:
1) из входа в скрытое состояние;
2) из предыдущего скрытого состояния в следующее;
3) из скрытого состояния в выход.
В архитектуре РНС (см. рисунок 4) с каждым из этих трех блоков ассоциирована одна матрица весов. Иными словами, при развертке сети каждый блок будет соответствовать мелкому преобразованию. Под «мелким» понимается преобразование, которое было бы представлено одним слоем в глубоком многослойном перцептроне (МСП) [7].
Обычные рекуррентные сети не слишком хорошо справляются с задачами, когда нужно что-то «запомнить» надолго: влияние скрытого состояния или входа с шага t на
последующие состояния рекуррентной сети экспоненциально затухает. Решения, которые на получены данный момент, состоят главным образом в том, чтобы усложнить архитектуру одной «соты» рекуррентной сети. Одна из самых широко известных и часто применяющихся конструкций таких ячеек — это LSTM (Long Short-Term Memory -«долгая краткосрочная память» [8].
(а) (Ь) (с)
Рисунок 4. РНС разными способами: (а) - скрытое рекуррентное состояние, разделённое на иерархически организованные группы; (b) - между входом и скрытым состоянием, между двумя скрытыми уровнями скрытого состояния и между скрытым
состоянием и выходом возможно поместить более глубокое вычисление МСП, тем самым удлиняется кратчайший путь; (с) - эффект удлинения пути возможно сгладить
путем добавления прямых связей. Figure 4. RNN in different ways: (a) - hidden recurrent state, divided into hierarchically organized groups; (b) between the input and the hidden state, between the two hidden levels
of the hidden state, and between the hidden state and the output, it is possible to place a deeper calculation of the MSP, thereby lengthening the shortest path; (c) - the effect of path lengthening can be smoothed out by adding direct links.
Существует множество алгоритмов, помогающих в работе с нейронными сетями.
Отметим следующие.
• Наивный MCMC-алгоритм максимизации логарифмического правдоподобия с неразрешимой статистической суммой посредством градиентного восхождения.
• Алгоритм сопоставительного расхождения, в котором в качестве процедуры оптимизации используется градиентное восхождение.
• Алгоритм стохастической максимизации правдоподобия (устойчивого сопоставительного расхождения), в котором в качестве процедуры оптимизации используется градиентное восхождение и т.д.
Существует несколько методов, которые используют нейронные сети именно для улучшения качества изображений и оцифрованного видео [9]. Один из таких методов -это использование глубоких нейронных сетей для удаления артефактов и шумов. Глубокие нейронные сети [10, 11] - это нейронные сети, которые имеют несколько слоев, что позволяет им выделять более сложные закономерности в данных [12].
Другой метод, который используется для улучшения качества изображений и видео - это использование генеративных нейронных сетей. Генеративные нейронные сети - это нейронные сети, которые могут генерировать новые изображения и видео на основе обучающих данных. Это позволяет им улучшать качество изображений и видео, удаляя артефакты и шумы [13].
Существует множество примеров применения нейронных сетей для улучшения качества изображений и видео. Один из таких примеров - это использование нейронных сетей для удаления шумов на изображениях [14]. Например, исследователи из Google Brain разработали нейронную сеть, которая может удалять шумы на изображениях, используя глубокое обучение [15].
В работе использовалась популярная нейросеть с алгоритмами ИИ по улучшению
видео:
• Topaz Video AI,
• Topaz DeNoise AI,
• Topaz Gigapixel AI.
Topaz AI — это набор нейросетевых алгоритмов, разработанных компанией Topaz Labs для улучшения качества фото и видео. Он использует искусственный интеллект и машинное обучение для устранения артефактов, повышения разрешения и улучшения детализации изображений. Также использовалась специальная программа colorama для колоризации ЧБ изображений [16].
РЕЗУЛЬТАТЫ ОБРАБОТКИ
Из отобранных для обработки полноценных кинокопий было выбрано две. Первая - это документальный фильм «Ангарская сосна идёт к океану», 1965 год, 1 часть, хронометраж 0:08:28. Производство Норильской студии телефильмов, режиссёр-оператор Юрий Ковтун, автор сценария Екатерина Лопато, звукорежиссёр Лев Супоницкий. Телевизионная лента повествует о работе в условиях Заполярья, о трудовых буднях летней навигации, культурной жизни самой северной столицы.
Вторая телевизионная лента - это документальный фильм «40 минут от Норильска», 1968 год, 1 часть, хронометраж 0:09:37. Производство Красноярской студии телефильмов, режиссёры Юрий Ковтун, Ирина Назарова, операторы Юрий Ковтун, Юрий Гвоздев, автор Владимир Луцет. Телевизионная лента рассказывает о путешествии на гидросамолёте на озеро Лама в 120 километрах от города Норильска.
Киноплёнки «Ледин и его героиня», а также «День города. Норильск» являлись не полными кинокопиями, а лишь разрозненными наборами хроникальных киноэпизодов.
Численные результаты обработки
В таблицах 1 и 2 представлены результаты обработки оцифрованных цветных киноматериалов (таблица 1) и черно-белых работ кинооператора Ю.Я. Ковтуна.
Таблица 1. Результаты обработки оцифрованных цветных киноматериалов.
Table 1. Results of processing digitized color film materials.
Видео Хронометрaж (м.: с.) Процесс Среднее время обработки (ч.: м.: с.)
«День города -Норильск»; 1986 год; 1 часть; (35 мм) 9:47 Topaz Video AI 13:21:33
DeNoise AI 10:01:21
Gigapixel AI 12:02:42
Таблица 2. Результаты обработки чёрно-белых работ кинооператора Юрия Яковлевича
Ковтуна.
Table 2. Results of processing black-and-white works of cameraman Yuri Kovtun.
Видео Хронометрaж (м.: с.) Процесс Среднее время обработки одного кадра (м.: с.)
«40 минут от Норильска»; 1965 год; 1 часть; (35 мм) 8:28 Topaz Video AI 02:51
Topaz DeNoise AI 01:13
Topaz Gigapixel AI 04:38
colorama 00:31
Colorizer AI PE 14:18
«Ангарская сосна идёт к океану»; 1968 год; 1 часть; (35 мм) 9:37 Topaz Video AI 03:47
Topaz DeNoise AI 01:25
Topaz Gigapixel AI 05:02
colorama 00:28
Colorizer AI PE 13:21
«Ледин и его героиня»; 3 обрезка; (35 мм) 00:12 00:57 00:40 Topaz Video AI 03:47
Topaz DeNoise AI 01:25
Topaz Gigapixel AI 05:02
colorama 00:23
Colorizer AI PE 13:21
Визуальные результаты экспериментов
Экспериментальными методами удалось добиться улучшения визуальных характеристик оцифрованных киноматериалов, причем большая часть эпизодов обрабатывалась покадрово сочетанием Topaz-инструментов.
С цветными киноплёнками относительно проще работать, но когда киноплёнка начинает от времени «краснеть», то крайне трудно становится вытянуть из неё цвет, но в нашем случае получился достаточно хороший результат. На рисунке 5 представлены кадры фильма «День города. Норильск» до и после обработки.
Рисунки 6 и 7 дают представление о результатах обработки кадров чёрно-белых фильмов «Ледин и его героиня», «40 минут от Норильска» и «Ангарская сосна идёт к океану». Дается сравнение кадров до и после обработки.
Рисунок 5. Кадры фильма «День города - Норильск» до и после обработки. Figure 5. Frames of the film "City Day - Norilsk" before and after processing.
Рисунок 6. Кадры чёрно-белого фильма «Ледин и его героиня». Figure 6. Frames of the black-and-white film "Ledin and his heroine".
Рисунок 7. Кадры чёрно-белого фильмов «40 минут от Норильска» и «Ангарская сосна
идёт к океану» до и после обработки. Figure 7. Frames of the black-and-white films "40 minutes from Norilsk" and "Angara pine goes to the ocean" before and after processing.
Оценка качества обработки в ImageDiscerner
При оценке качества оцифрованных и обработанных киноматериалов, помимо визуального сравнения, проводилось сравнение по Brighness (яркость), Hue (цветовой тон), Saturation (насыщение) и RGB - Red, Green, Blue [17], также использовались 4 вида гистограмм и «карта отличий».
Отметим следующие свойства характеристик сравнения:
• Brightness (яркость) — приближённость цвета к чёрному. Чем ниже яркость, тем цвет темнее.
• Hue (цветовой тон) — положение цвета в видимом спектре, место цвета в спектре.
• Saturation (насыщенность) — интенсивность цвета, красочность, степень отличия цвета от равного по уровню цвета серого.
• RGB — цветовое пространство, здесь каждый цвет задаётся в виде трёх координат. Смешение цвета происходит по аддитивному принципу.
Рисунок 8. Карта отличий и гистограммы сравнений «День города - Норильск» по Brightness (яркость), Solid Areas (сплошная область), Saturation (насыщение) и RGB. Figure 8. Map of differences and histograms of comparisons "City Day - Norilsk" by Brightness, Solid Areas, Saturation and RGB.
Рисунок 9. Карта отличий и гистограммы сравнений «40 минут от Норильска» по Brightness (яркости), Solid Areas (сплошной области), Saturation (насыщению) и RGB. Figure 9. Map of differences and histograms of comparisons "40 minutes from Norilsk" by brightness, solid area, saturation and RGB.
Рисунок 10. Карта отличий и гистограммы сравнений по яркости, сплошной области, насыщению и RGB («Ангарская сосна идёт к океану»). Figure 10. Map of differences and histograms of comparisons for brightness, solid area, saturation and RGB ("Angara pine goes to the ocean").
Рисунок 11. Карта отличий и гистограммы сравнений по яркости, сплошной области, насыщению и RGB («Ледин и его героиня»).
Figure 11. Difference map and comparison histograms for brightness, solid area, saturation,
and RGB ("Ledin and his heroine").
На рисунках 8-11 представлены карты отличий и гистограммы сравнений кадров по Brightness (яркости), Solid Area (сплошной области), Saturation (насыщению) и RGB для кинофильмов: «День города - Норильск», «40 минут от Норильска», «Ангарская сосна идёт к океану» и «Ледин и его героиня».
ЗАКЛЮЧЕНИЕ
Таким образом, в работе показано, что при использовании цифровых фильтров, преобразований, монтажных манипуляций и нейросетевого метода можно создавать видео продукты высокого качества. При этом нейронные сети показали себя, как мощный и полезный инструмент помощи в обработке оцифрованных 35-мм кинолент. Отметим, что существует множество методов, которые используют нейронные сети для достижения этой цели, включая использование глубоких нейронных сетей [17] и генеративных нейронных сетей [18].
Примеры применения нейронных сетей для улучшения качества изображений и видео включают удаление шумов на изображениях и улучшение качества видео. Но исходные характеристики материала оцифровки и методы самой оцифровки этих
исходных материалов весьма значимы. Без должного систематизированного подхода на первичном этапе работы с киноматериалами (например, сканирование на соответствующем оборудовании) крайне сложно заниматься восстановлением и обработкой уникальных хроникальных видео записей.
СПИСОК ЛИТЕРАТУРЫ
[1] Блинников А.В., Мансурова Т.П. Методика аналитического учета и классификации фильмокопий в фонде длительного хранения. Современные инновации, системы и технологии. 2022; 2(1): 30-40.
[2] Варламова Л.П., Салахова К.Н., Тиллаходжаева Р. С. Нейросетевой подход в задаче обработки данных. Молодой ученый. 2018; 16(202): 99-102.
[3] Блинников А.В. Физико-технический подход к системному увлажнению киноплёнки. Современные инновации, системы и технологии. 2021; 1(3): 41-53.
[4] Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение. М.: ДМК Пресс; 2018. 652.
[5] Andrew N.G. Machine Learning. Technical Strategy for AI Engineers. Andrew NG: Self-publishing; 2018. 118. https://itbook.store/books/1001590486081
[6] Николаенко C., Кадурин А., Архангельская Е. Глубокое обучение. Погружение в мир нейронных сетей. Санкт-Петербург: Питер; 2018. 480.
[7] Саттон Р. С., Барто Э. Г. Обучение с подкреплением. М.: БИНОМ. Лаборатория знаний; 2017. 399.
[8] Abu-Mostafa, Yaser S. Learning from Data Hardcover. AMLBook.com; 2012. 213.
[9] Burkov A. The Hundred-Page Machine Learning Book. Andriy Burkov Publisher; 2019. 160.
[10] Chollet F. Deep Learning with Python. Telegram. https://t.me/progbook/889.
[11] Geron A. Hands-On Machine Learning with Scikit-Learn and TensorFlow Concepts, Tools, and Techniques to Build Intelligent Systems. Telegram. https://t.me/progbook/196.
[12] Trask A. W. Grokking Deep Learning. Manning; 2019. 336.
[13] Lapan M. Deep Reinforcement Learning Hands-On: Apply modern RL methods, with deep Q-networks, value iteration, policy gradients, TRPO, AlphaGo Zero and more. Packt Publishing; 2018. 546.
[14] Molnar Ch. Interpretable Machine Learning. A Guide for Making Black Box Models Explainable. Christoph Molnar: Independently published; 2019. 328.
[15] Nielsen M. Neural Networks and Deep Learning. Determination Press; 2015. 224. http://neuralnetworksanddeeplearning.com/index.html.
[16] Pearl Ju., Mackenzie D. The Book of Why: The New Science of Cause and Effect. New York City: Basic Books; 2018. 432.
[17] Rosebrock A. Deep Learning for Computer Vision with Python. Starter Bundle. PyimageSearch.com. Telegram; 2017. https://t.me/progbook/1503.
[18] Skansi S. Introduction to Deep Learning. From Logical Calculus to Artificial Intelligence. Springer; 2018. https://t.me/progbook/1196.
REFERENCES
[1] Blinnikov A.V., Mansurova T.P. Metodika analiticheskogo ucheta i klassifikacii fil'mokopij v fonde dlitel'nogo hraneniya. Sovremennye innovacii, sistemy i tekhnologii. 2022; 2(1): 30-40.
[2] Varlamova L.P., Salahova K.N., Tillahodzhaeva R. S. Nejrosetevoj podhod v zadache obrabotki dannyh. Molodoj uchenyj. 2018; 16(202): 99-102.
[3] Blinnikov A.V. Fiziko-tekhnicheskij podhod k sistemnomu uvlazhneniyu kinoplyonki. Sovremennye innovacii, sistemy i tekhnologii. 2021; 1(3): 41-53.
[4] Gudfellou YA., Bendzhio I., Kurvill' A. Glubokoe obuchenie. M.: DMK Press; 2018. 652.
[5] Andrew N.G. Machine Learning. Technical Strategy for AI Engineers. Andrew NG: Self-publishing; 2018. 118. https://itbook.store/books/1001590486081
[6] Nikolaenko C., Kadurin A., Arhangel'skaya E. Glubokoe obuchenie. Pogruzhenie v mir nejronnyh setej. Sankt-Peterburg: Piter; 2018. 480.
[7] Satton R. S., Barto E. G. Obuchenie s podkrepleniem. M.: BINOM. Laboratoriya znanij; 2017. 399.
[8] Abu-Mostafa, Yaser S. Learning from Data Hardcover. AMLBook.com; 2012. 213.
[9] Burkov A. The Hundred-Page Machine Learning Book. Andriy Burkov Publisher; 2019. 160.
[10] Chollet F. Deep Learning with Python. Telegram. https://t.me/progbook/889.
[11] Géron A. Hands-On Machine Learning with Scikit-Learn and TensorFlow Concepts, Tools, and Techniques to Build Intelligent Systems. Telegram. https://t.me/progbook/196.
[12] Trask A. W. Grokking Deep Learning. Manning; 2019. 336.
[13] Lapan M. Deep Reinforcement Learning Hands-On: Apply modern RL methods, with deep Q-networks, value iteration, policy gradients, TRPO, AlphaGo Zero and more. Packt Publishing; 2018. 546.
[14] Molnar Ch. Interpretable Machine Learning. A Guide for Making Black Box Models Explainable. Christoph Molnar: Independently published; 2019. 328.
[15] Nielsen M. Neural Networks and Deep Learning. Determination Press; 2015. 224. http://neuralnetworksanddeeplearning.com/index.html.
[16] Pearl Ju., Mackenzie D. The Book of Why: The New Science of Cause and Effect. New York City: Basic Books; 2018. 432.
[17] Rosebrock A. Deep Learning for Computer Vision with Python. Starter Bundle. PyimageSearch.com. Telegram; 2017. https://t.me/progbook/1503.
[18] Skansi S. Introduction to Deep Learning. From Logical Calculus to Artificial Intelligence. Springer; 2018. https://t.me/progbook/1196.
ИНФОРМАЦИЯ ОБ АВТОРАХ I INFORMATION ABOUT THE AUTHORS
Блинников Александр Вениаминович,
аспирант, Красноярский государственный аграрный университет, Красноярск, Россия e-mail: blinshur@yandex.ru
Ковалев Игорь Владимирович, д.т.н., профессор, Сибирский федеральный университет, Красноярск, Россия e-mail: kovalev.fsu@mail.ru
Alexander Blinnikov, PhD student, Krasnoyarsk State Agrarian University, Krasnoyarsk, Russia e-mail: blinshur@yandex.ru
Igor Kovalev, Doctor of Technical Sciences, Professor, Siberian Federal University, Krasnoyarsk, Russia e-mail: kovalev.fsu@mail.ru
Статья поступила в редакцию 12.05.2023; одобрена после рецензирования 02.06.2023; принята
к публикации 05.06.2023.
The article was submitted 12.05.2023; approved after reviewing 02.06.2023; accepted for publication
05.06.2023.
