CC BY
66практической конференции, посвященной Дню космонавтики: в 3 т.. Красноярск, 2021. С.249-250. (Дата обращение 01.08.2022)
2. Астапов В.Ю., Хорошко Л.Л., Дудков К.В. Оценка применения аддитивных технологий для создания аэродинамических моделей космических головных частей//Труды МАИ. Учредители: Московский авиационный институт (национальный исследовательский университет) Выпуск № 101 (дата обращения 01.08.2022)
3. Как аддитивные технологии помогают в ракетостроении и авиакосмической отрасли? [Электронный ресурс]: Режим доступа: https://make-3d.ru/news/kak-additivnye-texnologii-pomogayut-v-raketostroenii-i-aviakosmicheskoj-otrasli/ (дата обращения 02.08.2022)
4. Electronic textbook Wikipedia [Electronic resource]. URL: https://ru.wikipedia.org/wiki/% D0%A0%D0%94-0124 (дата обращения: 02.08.2022).
© Я.А. Халеков, Н.А. Данилов, Т.А. Федченко, 2022
УДК 004.852
МОДЕЛИ НЕЙРОННОЙ СЕТИ ДЛЯ ОБНАРУЖЕНИЯ ОБЪЕКТОВ
Бадика Егор Максимович, Зырянов Дмитрий Александрович Badika Egor Maksimovich, Zyryanov Dmitry Aleksandrovich
Студент Student
Санкт-Петербургский государственный университет аэрокосмического приборостроения
Saint-Petersburg State University of Aerospace Instrumentation Бабчинецкий Сергей Геннадиевич Babchinetsky Sergey Gennadievich
Магистрант Master's student
Санкт-Петербургский государственный университет аэрокосмического приборостроения
Saint-Petersburg State University of Aerospace Instrumentation
NEURAL NETWORK MODELS FOR OBJECT DETECTION
Анотация: В данной статье рассматриваются способы организации нейронной сети, направленной на обнаружение объектов. Приведены примеры архитектур нейронной сети, как они работают, какие могут быть в ней изменение, а также, на каком железе они работают. Приведены примеры сфер использования данных нейросетей, а также сделан прогноз дальнейшего применения данной технологии
Abstract: This article discusses the ways of organizing a neural network aimed at detecting objects. Examples of neural network architecture are given, how they work, what changes can be made in it, and also on what hardware they work. Examples of the areas of use of these neural networks are given, as well as a forecast for the further application of this technology is made
Ключевые слова: обнаружение объектов, нейронная сеть, нейросеть, программирование, технлогии, информационные технологии
Keywords: object detection, neural network, neural network, programming, technology, information technology
Сфера искусственного интеллекта достаточно молодая, однако, быстроразвивающаяся. Применение данной технологии можно встретить повсеместно: регулирование дорожного движения, анализ и предсказание курсов валют и ценных бумаг, умный дом, оснащённый голосовым помощником и так далее.
Самой популярной и актуальной во всех сферах деятельности является нейронная сеть, созданная для обнаружения объектов. На протяжении 10 лет данная сфера активно развивалась, и будет развиваться дальше. За это время появилось множество основных моделей построения нейронных сетей, направленных на обнаружение объектов. В данной работе будут рассмотрены самые популярные архитектуры нейронной сети, применяющиеся для обнаружения объектов.
Для задач сегментации изображений используются свёрточные нейронные сети. Классическим вариантом архитектуры является и-ЫЕТ. Её смысл в том, чтобы исходное изображение сжать, а затем разжать в исходный размер. По мере свёртки и развёртки исходные значения пикселей изображения переводятся в значения классов, к которым принадлежит каждый пиксель изображения.
Рис. 1 и-ЫЕТ
Данная архитектура имеет различные вариации: может быть расширенной или, наоборот, уменьшенной (меняется количество свёрточных слоёв), возможны соединения нейронных слоёв различных стадий и-ЫЕТ.
Нейронная сеть, построенная по такому принципу требует долгого обучения и большой размеченной базы изображений, на которых она будет обучаться.
8«8.204в
Рис. 2 Вариация U-NET с соединениями слоёв
Selective Search - нейронная сеть, использующаяся для задач классификации. Является самым первым вариантом, придуманным для таких целей. Суть данной нейронной сети заключается в том, что пиксели изображения, которые стоят рядом, объединяются в один класс, создаётся карта сегментации и прямоугольное выделение объектов, при это нейросеть определяет вероятность, что она правильно определила объект. Сделано это для того, чтобы отображать одни из самых точных объектов, потому что Selective Search выделяет на изображении несколько тысяч объектов, которые не всегда верны. Проблема данного подхода заключается в его малой точности и долго работе, потому что модель старая и обрабатывается на CPU.
Рис. 3 — Пример работы Selective Search
RCNN - архитектура нейросети, в которой применяются технологии Selective Search и свёрточные нейронные сети. Классическая RCNN сеть по изображению проходит следующим алгоритмом:
1. Применение к изображению технологии Selective Search;
2. Каждая прямоугольная область, выделенная в предыдущем шаге поступает в свёрточную нейронную сеть;
3. На выходе получается вектор классификации, где указываются объекты, которые находятся в данной прямоугольной области, а также указывается смещение области, для лучшего выделения объекта
SPP - вариант RCNN сети, где местами поменяны свёрточная часть нейросети и Selective Search, что позволяет последнему работать не с исходным изображением, а с картой признаков, построенной свёрточной сетью, ускоряя свою работу в 10 раз.
CNN CNN
CNN CNN
. \k \M-/
R-CNN SPP-net
Рис. 4 — Принцип работы RCNN и CPP сетй
Fast-RCNN - нейронная сеть, схожая по алгоритму с SPP, но перед свёрточными слоями все прямоугольные области приводятся к одинаковому размеру, что ускоряет сеть в 2 раза.
Рис. 5 — Схема работы Fast-RCNN
Последним вариантом RCNN сети является FastER-RCNN. Её отличие от других архитектур в том, что в самом начале на изображение накладываются прямоугольные области (по 3 на каждой точке). Области и их количество могут различаться, что позволяет ускорить работу нейросети, убрав из неё Selective Search. Изменение положения «якорей» (центры прямоугольных областей) и размеры областей позволяет искать на изображении объекты различных масштабов с высокой точностью.
Anchor box
Ik кот
41 coordinate»
i anchor Ьо мл
ch liver
\ /
fry layer
25fr-d
t
intermediate layer
ilMlmg window
com feature map *
6 — Работа FastER-RCNN
Рис.
YOLO сети — вариант архитектуры, когда изображение проходит через многослойную свёрточную нейронную сеть, строя карту признаков, на основе которых выделяются объекты. Для связи слоёв свёртки используются соединения с предыдущими слоями, что повышает точность работы. Выходов данной сети несколько, для онаружения объектов различных размеров. Данная архитектура уступает в точности RCNN сетям, но выигрывает в быстродействии.
Все архитектуры нейронных сетей, приведённых выше (кроме U-NET), можно найти предобученными в библиотеке OpenCV, однако для задачи классификации данные сети могут не подойти. В таком случае следует повторить одну из архитектур нейросети и обучить её, предварительно подав ей размеченную базу данных, как правильные ответы, на которых она будет обучаться. Также, следует собрать большую базу данных для обучения (при невозможности, произвести повороты, смещения, отзеркаливания изображений, что увеличит обучающую выборку). На проектирование и обучение такой нейронной сети может быть затрачено несколько месяцев, всё будет зависеть от базы данных и подбора параметров нейронной сети.
Подводя итог, можно сказать, что существует множество вариантов построение нейронной сети для обнаружения объектов, к тому же, все эти модели не стоят на месте и эволюционируют (к примеру, существует 4 версии модели YOLO). В будущем, обнаружение объектов будет использоваться повсеместно, тем самым облегчая жизнь людей.
Список литературы
1. Шелковников Евгений Юрьевич, Шляхтин Константин Алексеевич, Шелковникова Татьяна Евгеньевна, Егоров Станислав Феликсович ПРИМЕНЕНИЕ НЕЙРОННОЙ СЕТИ АРХИТЕКТУРЫ U-Net ДЛЯ СЕГМЕНТАЦИИ СТМ-ИЗОБРАЖЕНИЙ // Химическая физика и мезоскопия. 2019. №2. URL: https://cyberleninka.rU/article/n/primenenie-nei-ronnoi-seti-arhitektury-u-net-dlya-segmentatsii-stm-izobrazhenii (дата обращения: 13.05.2022).
2. Горелов Антон Игоревич Обучение сети yolo для распознавания отходов в городской среде // Вестник науки и образования. 2019. №9-4 (63). URL: https://cyberleninka.ru/article/n/obuchenie-seti-yolo-dlya-raspoznavaniya-othodov-v-gorodskoy-srede (дата обращения: 13.05.2022).
3. Друки Алексей Алексеевич, Спицын Владимир Григорьевич, Болотова Юлия Александровна, Башлыков Артём Андреевич Семантическая сегментация данных дистанционного зондирования Земли при помощи нейросетевых алгоритмов // Известия ТПУ. 2018. №1. URL: https://cyberleninka.ru/article/n/semanticheskaya-segmentatsiya-dannyh-distantsionnogo-zondirovaniya-zemli-pri-pomoschi-neyrosetevyh-algoritmov (дата обращения: 13.05.2022).
4. Айзенберг Игорь Наумович Некоторые алгоритмы обработки изображений и их реализация на нейросетях // КО. 1997. №17. URL: https://cyberleninka.ru/artide/n/nekotorye-algoritmy-obrabotki-izobrazheniy-i-ih-realizatsiya-na-neyrosetyah (дата обращения: 13.05.2022).
© Е.М. Бадика, Д.А. Зырянов, С.Г. Бабчинецкий 2022.
УДК 004.021
ИСПОЛЬЗОВАНИЕ ЯЗЫКА ПРОГРАММИРОВАНИЯ PYTHON В ИМИТАЦИОННОМ
МОДЕЛИРОВАНИИ
Бадика Егор Максимович, Зырянов Дмитрий Александрович Badika Egor Maksimovich, Zyryanov Dmitry Aleksandrovich
Студент Student
Санкт-Петербургский государственный университет аэрокосмического приборостроения
Saint-Petersburg State University of Aerospace Instrumentation Бабчинецкий Сергей Геннадьевич Babchinetsky Sergey Gennadievich
Магистрант Master's student
Санкт-Петербургский государственный университет аэрокосмического приборостроения
Saint-Petersburg State University of Aerospace Instrumentation
USING THE PYTHON PROGRAMMING LANGUAGE IN SIMULATION MODELING
Аннотация: В данной статье рассматривается применение языка программирования Python в имитационном моделировании. Приведены примеры сфер, где используются данные модели, а также рассмотрены на примере простые листинги программ, использующиеся для аналитики данных и имитационного моделирования. Дан прогноз о будущем развитии систем имитационного моделирования.
Abstract: This article discusses the use of the Python programming language in simulation modeling. Examples of areas where these models are used are given, as well as simple listings of programs used for data analytics and simulation modeling are considered by example. The forecast about the future development of simulation modeling systems is given.
Ключевые слова: Имитационное моделирование, управление производством, выбор надёжного варианта, Puthon, анализ данных, программирование.
Keywords: Simulation modeling, production management, choosing a reliable option, Python, data analysis, programming.
Введение
Имитационное моделирование в наши дни набирает большую популярность, практически все крупные сферы жизни использую данный метод, с помощью которого организуют свою задачу. Применение имитационных моделей можно заметить в экономическом секторе, повседневной жизни (организация работы светофоров, для оптимизации движения), в IT секторе и промышленности.
Каждый год появляются новые и улучшаются старые методы, с помощью которых происходит имитационное моделирование. В данной статье будут рассмотрены способы анализа данных и основные методы из имитационного моделирования на языке программирования Python
Одним из самых простых способов реализации имитационной модели является язык программирования Python, содержащий большое количество библиотек, предназначенных для аналитики данных методами математической статистики, а также для создания случайных нормальных событий.
