0NEYRON TO'RLAR YORDAMIDA VIDEO TASVIRLARDA OBYEKTLARNI ANIQLASH ASOSLARI VA USULLARI
Azizbek Xusinovich Ruzmetov
Texnika fanlari bo'yicha falsafa doktori (PhD) Toshkent Kimyo xalqaro universiteti
Fazliddin Nizomiddin o'g'li Sheraliyev
Toshkent Kimyo xalqaro universiteti Sun'iy intellekt yo'nalishi magistranti
ANNOTATSIYA:
Ushbu maqolada bir nechta ketma-ket freymlardan foydalangan holda kichik ob'ektlar yoki neyron to'rlarni aniqlash va video ketma-ketligidagi tezlik aniqlanish izchilligini ko'rish mumkin. Masalan, kadrlar orasidagi xususiyatlarni interpolyatsiya qilish orqali. Ushbu ishda videoning ikkita ketma-ket ramkasidan foydalangan holda onlayn video ob'ektni aniqlashni amalga oshirish uchun yangi yondashuv kiritilgan.
Kalit so'zlar: Interpolyatsiya, neyron to'rlar, freym, iqtisodiyot, tibbiyot, aviatsiya, aloqa, internet, robototexnika, sinflash, klasterlash, approksimatsiyalash, avtoassotsiatsiya.
АННОТАЦИЯ:
В этой статье можно увидеть обнаружение небольших объектов или нейронные сети, использующие несколько последовательных кадров, а также согласованность определения скорости в видеопоследовательностях. Например, путем интерполяции функций между кадрами. В этой работе представлен новый подход к обнаружению онлайн-видеообъектов с использованием двух последовательных кадров видео.
Ключевые слова: Интерполяция, нейронные сети, фрейм, экономика, медицина, авиация, связь, Интернет, робототехника, классификация, кластеризация, аппроксимация, автоассоциация.
ANNOTATION:
In this article can be seen small object detection or neural nets using multiple consecutive frames and speed detection consistency in video sequences. For example, by interpolating features between frames. This work introduces a new approach to perform online video object detection using two consecutive frames of video.
223
May 2024
Keywords: Interpolation, neural networks, frame, economy, medicine, aviation, communication, internet, robotics, classification, clustering, approximation, auto-association.
KIRISH
Neyron to'rlarni obyektlarni anglashga o'rgatishning uslubiy jihatlari biz bilamizki ba'zi hollarda shunday holatlar uchraydiki, bunda to'r obyektni anglashga o'rgata olmaydi. Bu shunday holatda ro'y beradiki, qachonki o'rgatishning qandaydir pog'onasida o'gatuvchi parametrlar va natijalar o'rtasidagi qonuniylikni bundan keyin izlash imkoniyatlari mumkin bo'lmay qoladi. Masalan. oddiy holatda to'rga bir hil parametrlarga ega bo'lgan turli sinflarga tegishli ikkta obyekt yoki turli javov qiymatiga ega bo'lgan ikkita obyekt berilishi mumkin. Ko'rinib turibdiki, bu holda ikkita obyekt fazoning bitta nuqtasiga tushadi, shuning uchun ularni bir-biridan ajratish mumkin bo'lmaydi va o'rgatish jarayoni to'xtaydi. Neyron to'rlarni boshqaruvchi dastur o'rgatish jarayonining to'xtaganligi haqida signal beradi va bundan keyin o'rgatish jarayoni mumkin emasligini ko'rsatadi. Bu holatda neyron to'rlarni obyektlarni anglab olishga o'rgatuvchi mutaxassisning vazifasi bunday holatlarning oldini olishdan iborat, ya'ni bunday holat ro'y bermasligi uchun u masalani qat'iy qo'yishi va o'rgatuvchi tanlovni sinchkovlik bilan nazorat qilishi talab etiladi.
Neyron to'rlarni obyektlarni anglab olishga o'rgatishda yana bir muhim jihatni e'tiborga olish zarur. O'rgatish yutug'i umuman ko'p hollarda to'rlardagi neyronlar soniga yoki aniqrog'i to'rlar soniga bog'liq. Bunda, tamoqlardagi "tajriba" to'rlarning vaznli koeffitsiyentlarida saqlanadi. Nazariy jihatdan neyronlar va to'rlar sonini cheksiz ko'paytirish natijasida hammavaqt berilgan o'rgatuvchi tanlovda neyron to'rlarni to'liq o'rgatishga erishish mumkin. Bu holda eng muhim masala o'rgatuvchi neyron to'rlarning nafaqat o'rgatuvchi tanlovdagi obyektlarni, balkim o'rgatuvchi tanlovga kirmagan yangi obyektlarni ham yaxshi anglab olishi eng muhim masala hisoblanadi.
Quyida keltiriladigan predmet sohalarining har birida neyron to'rlar uchun masalaning qo'yilishini aniqlashtirish mumkin. Hozirgi kunda bunday masalalarni yechishning muvaffaqiyatli amaliy tadbiqiy sohalarini birma-bar qarab chiqamiz.
Iqtisodiyot va biznesda:
- vaqtga doir qatorlar (valyuta kurslari, kursi, tovar narxi, savdo hajmi,
savdo);
avtomatlashtirilgan savdo (valyuta, aksiyalari yoki tovar birjasida
kreditning qaytmaslik xavflarini baholash; bankrotlikni bashoratlash;
May 2024
224
y
ko'chmas mulkni baholash;
narxlarining oshishiga va yetarli darajada baholanmagan kompaniyalarni
- reytingni baholash;
- tovar va pul oqimlarini optimallashtirish;
- chek va hujjatlarni o'qish va anglab olish;
- plastik kartochkalar bo 'yicha tranzaksiyalar xavfsizligi. Tibbiyotda:
- bemorga tashxis qo'yish;
- tibbiy tasvirlarni qayta ishlash;
- bemorning holatini monitoringlash;
- davolash samaradorligini tahlil qilish;
- tibbiy asboblar shovqin(xatolik)lari ko'rsatkichlarini tozalash. Aviatsiyada:
- o'qitilgan avtopilotlar;
- radar signallarini anglash;
- kuchli zarar ko'rgan samolyotni adaptiv boshqaruvi;
- uchuvchisiz uchish apparatlari - dronlarni boshqarish. Aloqada:
- video axborot siqishni;
- tezkor kodlash-dekodlash;
- to'r va paketli marshrutlash loyihalarni optimallashtirish. Internetda:
- axborotni assotsiativ qidirish;
- internetda elektron kotiblar va muxtor agentlar;
- spamlarni filtrlash va to'sib qo'yish;
- yangiliklar lentasidan xabarlarni avtomatik bo'limlarga ajratish;
- elektron tijorat uchun avto manzilli reklamalar va marketing; Ishlab-chiqarishni avtomatlashtirishda:
- ishlab-chiqarish jarayonlarining holatini optimallashtirish;
- mahsulot sifatini nazorat qilish;
- ko'p o'lchovli dispetcherli ma'lumotlarni monitoringlash va
- favqulodda vaziyatlar haqida xabar berish. Robototexnikada:
- robot oldindagi ko'rish maydonini, obyektlarni va to'siqlarni anglashi;
- harakat yo'lini qurish;
- manipulyatorni nazorat qilish;
aniqlash;
vizuallashtirish;
May 2024
- muvozanatni saqlash. Siyosiy va ijtimoiy texnologiyalarda:
- saylov natijalarini taxmin qilish;
- so'rovnomalarni tahlil qilish;
- reytinglar dinamikasini bashoratlash;
- muhim omillarni aniqlash;
- saylovchilarning klasterlarini aniqlash;
- aholini ijtimoiy dinamikasini o'rganish va tasvirlash. Xavfsizlik va qo'riqlash tizimlarida:
- shaxs yuzini anglash;
- barmoq izidan, ovozidan, imzosi va yuzidan shaxsini identifikatsiyalash;
- avtomashina davlat nomer belgisini anglash;
- aerokosmik tasvirlarni tahlil qilish;
- kompyuter to'rlarida axborot oqimini monitoringi va hujumlarni aniqlab berish;
- soxtalikni aniqlash;
- videodatchik va turli sensorlardan tushayotgan ma'lumotlarni tahlil
qilish.
Axborotni kiritish va qayta ishlashda:
- qo'lyozma matnlarni anglash;
- skanerlangan pochta, to'lov, moliyaviy va buxgalteriya hujjatlarini anglash.
Geologik o'rganish(razvedka)da:
- seysmik ma'lumotlarni tahlil qilish;
- foydali qazilmalarni qidirishning assotsiativ uslublari;
- qazilma boylik manbalarini baholash.
Sun'iy intellektda freymlarning turli ta'riflari mavjud. Quyida ularning bazi birlarini keltirib o'tmoqchiman.
Freym - bu ba'zi tushuncha yoki obyektni tavsiflovchi dinamikli, to'liq aniqlanmagan minimal struktura.
Freym - bu sun'iy intellektda haqiqiy vaziyatlarning harakat sxemasini o'zida aks ettiruvchi bilimlarni tasvirlash ulubi.
Freym - bu qandaydir obyekt, hodisa, vaziyat va jarayonning mohiyatini minimal tavsiflovchi mavhum timsolning modeli.
Freym - bu idrok etishning qandaydir andozasini tasvirlashning mavhum(abstrakt) timsoli.
Freym -bu slotlar(maydon)dan iborat ma'lumotlar strukturasi.
226
May 2024
Freym - bu qandaydir konseptual obyektni tasvirlashning ma'lumotlar bazasi bo'lib, freymga tegishli axborotlar uning tahkil etuvchilari bo'lgan slotlarda saqlanadi.
Slot (inglizcha - slot- (teshik, kovak, tirqish, yoriq) terminalli (ierarxiyaning beti) bo'lishi yoki freymning quyi bosqichini o'zida namoyon qilishi mumkin.
Freymli model haqiqiy olam obyektlarining ierarxiyasini yaxshi tizimlashtirishga imkoniyat yaratadi.
Freymli modellar strukturalashgan semantik tarmoqlar hisoblanadi. Bunday tarmoqlarda obyektlar va hodisalar freymlar ko'rinishida tavsiflanadi.
Freymli modellar insonnig predmet soha haqidagi fikrlash jarayonini tasvirlash uchun qo'llaniladi. ASOSIY QISM
Neyron to'rlarning qo'llanilishining ushbu sohalari ko'pligi bejizga emas. Haqiqatan ham neyron to'rlarlar - ma'lumotlarga ishlov berish va tahlil qilishning turli xil masalalarini yechish uchun kuchli va moslashuvchan vositalar majmuidir. Ya'ni:
1) Sinflash. Bunday masalalarda obyektning belgilar vektori Xn = (xj } beriladi. Bular asosida har bir obyektni o'zaro kesishmaydigan
C1,C2,...,Cm(Ci nCj = 0,i ^ j,i, j = 1,m) sinflardan biriga, ya'ni Ci sinfga kiritish
kerak. Masalan, uchadigan obyektlarning belgilari qanotlar, dvigatel, patlar va h.k. bo'lishi mumkin. Bunday obyektlarning sinflari: Samolyot, Qush, Raketa va h.k. kabilar bo'lishi mumkin. Belgilarning majmuisi kirish vektorini, sinflar majmuisi esa - chiqish vektorini tashkil qiladi.
Mazkur masalani yechish uchun n ta kirish va m ta chiqish neyronlardan iborat bo'lgan perseptron turdagi neyron to'r quriladi. Aniq belgilar vektori kirishga berilganda neyron to'rning chiqish qatlamida eng yuqori darajadagi faol neyron tanlanadi. Bu neyron beriladigan belgilarga muvofiq bo'lgan sinfni belgilaydi. Masala to'g'ri yechilishi uchun neyron to'rni o'rgatish kerak. O'rgatish jarayonida tadqiq qilinayotgan obyektlarning o'zgaruvchan bog'lanishli koeffitsiyentlarining qiymatlari belgilar va sinflarning aniq qiymatlariga munosib etib moslanadi.
2) Klasterlash. Bu masalalarda belgilar majmuisi asosida obyektlar alohida sinf(klaster)larga ajratiladi. Bitta sinfga kiradigan obyektlar belgilar majmuisi bo'yicha bir-biriga yaqin bo'lishi kerak. Turli sinflarga kiradigan obyektlar esa belgilar majmuisi bo'yicha bir-biridan uzoq bo'lishi kerak. Bunday masalani yechish uchun dastlabki belgilar majmuasida qatnashadigan belgilar soniga teng bo'lgan kirish va sinflar soniga teng bo'lgan chiqish neyronlardan iborat bo'lgan neyron to'r
227
May 2024
quriladi. Bunday neyron to'rning vaznli koeffitsiyent qiymatlari o'rgatish jarayonda topiladi.
3) Approksimatsiyalash. Bunday masalada izlangan F(x) funksiyaga to'g'ri keladigan va d[F(x),F * (x)] < s qanoatlantiradigan approksimatsiyalovchi F *(x) funksiyasi tanlab olinadi. Bu yerda s - funksiyalar o'rtasidagi masofa uchun berilgan kichik qiymat (porog).
Umumiy holda F(x) funksiyaning ko'rinishi noma'lum bo'ladi. U xl ^yx,x2 ^y2,..., xn ^yn turdagi "kirish - chiqish" qiymatlar juftligi bilan beriladi. Bu yerda xt - kirish o'zgaruvchilar qiymatlari, y{ esa chiqishdagi funksiyalar
qiymatlari. An'anaviy matematik usullardan foydalanib, avval kerakli approksimatsiyalash modeli (F *(x) funksiyaning ko'rinishi) tanlab olinadi. Keyin tanlab olingan mezonlar bo'yicha F * (x) funksiyaning koeffitsiyentlari topiladi.
Neyron to'rlar universal approksimatorlar bo'lib, approksimatsiyalovchi F *(x) funksiyani tanlab olishni talab qilmaydi. Bu yerda neyron to'rni o'rgatish uchun faqat qayd qilingan {xi ^ yi} juftlar qaraladi.
Bu masala obyektlarni identifikatsiyalashda, ularning aniq matematik modellarini qurish murakkab bo'lgan holatlarda keng qo'llaniladi.
4) Avtoassotsiatsiya. Bu masala assotsiativ xotira modellarini qurish masalasi bilan bog'liq.
Assotsiativ xotirali neyron modelida neyron guruhlar orqali tegishli obyektlarning ba'zi qismlarini xotiraga olinishi ta'minlanadi. Bunday neyron to'rning kirishiga obyektning qismi berilganda uning chiqishida butun obyektni tavsiflaydigan neyronlarning barchasi faollashtiriladi.
Shuni qayd qilish kerakki, bir qatlamli neyron to'rlar faqat sodda masalalarni yechish qobiliyatiga ega. Murakkab masalalarni yechish uchun turli tipdagi ko'p qatlamli neyron to'rlar ishlatiladi.
O'rgatish jarayonida neyron to'rning bog'lanishli vazn koeffitsiyenti, chegara va tuzilma kabi qiymatlari to'g'rilanadi. Shu holatda mazkur parametrlarning boshlang'ich qiymatlari odatda tasodifiy ravishda beriladi.
Neyron to'rning o'rgatish usullari tasnifi 1-rasmda keltirilgan ko'rinishda ifodalanadi.
Tasnifning eng asosiy ko'rsatkichlaridan biri-bu tashqi muhit bilan o'zaro aloqaning mavjudligi. O'rgatish jarayonida tashqi muhitdan keladigan axborotning miqdori va sifati(semantikasi, ma'nosi)ga ko'ra supervizorli (supervised learning), nosupervizorli (unsupervised learning) va tasdiqlash (reinforcement learning)ni o'rgatadigan usul (algoritm)larga ajratiladi.
228
May 2024
Supervizorli usulda oldindan barcha o'rgatish juftlaridan iborat bo'lgan o'rgatish to'plami shakllanadi. O'rgatish jufti X kirish va unga muvofiq bo'lgan Y chiqish vektorlar qiymatlari bilan ifodalanadi. Bu holatda har bir xi kirish vektorining i - komponentasi i - kirish neyronga keladigan signalga muvofiq bo'ladi. Shunga o'xshash har bir yj chiqish vektorning j - komponentasi j -chiqish
neyronda paydo bo'ladigan signalga muvofiq bo'ladi.
O'rgatish jarayonida chiqish vektorlarining qiymati berilgan kirish vektorlarining qiymatlariga muvofiq oldindan berilgan chiqish qiymatlarining og'ishlarini hisobga olib topiladi. Bu og'ishlarning qiymatiga muvofiq Neyron to'rning parametrlari mazkur og'ishlar qiymatlarini minimum(berilgan)ga keltirish bilan to'g'irlanadi. Supervizorli o'rgatish algoritmlarining orasida eng keng tarqalgani xatoliklarni (to'lqinlarni) teskari tarqatish algoritmi (error backpropagation) hisoblanadi.
Supervizorsiz usullarda o'rgatish to'plami faqat kirish vektorlari majmaisini o'z ichiga oladi. Bu holatda qo'llaniladigan raqobatli o'rgatish algoritmi (competitive learning) klasterlash masalalarini yechish uchun Neyron to'rning parametrlarini to'g'rilaydi. O'rgatish jarayonida tegishli klasterga kiradigan kirish komponenta(neyron)lari va bu klasterni tavsiflaydigan chiqish neyronlari orasidagi bog'lanishli vaznlarning qiymatlari maksimal darajada ko'paytiriladi. Shuningdek, chiqish neyronining faol bo'lmagan kirish neyronlari bilan bog'lanishli vaznlar qiymatlari kamaytiriladi.
Tasdiqlash bilan o'rgatish usullari yuqorida keltirilgan ikkita usulning o'rtasida turadi. Bu usulning asosiy tamoyili tashqi muhitdan (o'qituvchidan) keladigan "Tasdiqlash-rad qilish" yoki "Rag'batlantirish-jazolash" (reward/penalty) signalining mavjudligi bo'ladi. Bunday o'rgatish jarayonida navbatdagi kirish vektori berilganda neyron to'rning harakati qoniqarli bo'lsa, u holda tasdiqlash («+1») signal, aks holda - rad qilish («0» yoki «-1») signal orqali bajariladi. Bu holatda to'rda tasdiqlash signallarini olish tezligini oshirishni ta'minlash maqsadida vazn koeffitsiyentining qiymatlarini tegishli ravishda o'zgartiradi. Bu vazn koeffitsiyentining qiymati maqbul darajasiga yetmaguncha o'rgatish jarayoni davom etadi.
Tuzilmali o'rgatish usullari endi rivojlana boshladi. Ular murakkab masalalarni yechish uchun mo'ljallangan neyron to'rni qurishga imkoniyat beradi.
Kirishlarga quyiladigan talablar bo'yicha o'xshashliklarga va yagona buyruqqa asoslangan o'rgatish usullariga ajratiladi. Bu holatda tadqiq qilinadigan obyektla rni tavsiflaydigan etalon to'plam shakllanadi. Berilgan etalonga muvofiq neyron to'r parametrlari shunday qilib tanlanadiki, kirish belgilarining tegishli qiymatlarida faqat mazkur belgilarga ega bo'lgan chiqish neyronlari faollashishi kerak.
May 2024
229
Stoxastik o'rgatish usullari ehtimolli qoidalarga, determinalli usullar esa - aniq qoidalarga asoslanadi.
1-rasm. Neyron to'rning o'rgatish usullari tasnifi.
XULOSA
Xulosa o'rnida shuni takidlab o'tish joizki neyron tarmoqlarini turli sohalarda qo'llanilishi tufayli ular asosida hal qilinadigan turli xil vazifalar shakllantirilmoqda, bu masalalar kirish ma'lumotlarining aniqlanishi va turlari bilan ajralib turadi, ya'ni tasvirlarni anglash, matnlarni tahlil qilish, kasalliklarni tashxislash va boshqa masalalarni hal qilishda neyron tarmoqlaridan foydalanilmoqda. Bu sohani kelajakda chuqur va teran o'rganish bu bizning yutug'imizdir.
230
May 2024
REFERENCES:
1. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. Новосибирск: Наука, 1996. 276 с.
2. Галушкин А.И. Нейрокомпьютеры. Кн. 3: Учебное пособие для вузов. - М.: ИПЖР, 2000. -528 с.
3. Т.А. Гаврилова, В.Ф. Хорошевский. Базы знаний интеллектуальных систем. -СпБ, Питер, 2000.
4. С. Короткий, Нейронные сети: алгоритм обратного распространения.
5. С. Короткий, Нейронные сети: обучение без учителя.
6. Artificial Neural Networks: Concepts and Theory, IEEE Computer Society Press, 1992.
7. И.А.Бессмертный. Искусственный интеллект - СПб: СПбГУ ИТМО, 2010. -132 с.
8. Sankar K. Pal, Sushmita Mitra, Multilayer Perceptron, Fuzzy Sets, and Classification //IEEE Transactions on Neural Networks, Vol.3, N5,1992, pp. 683696.
9. Bernard Widrow, Michael A. Lehr, 30 Years of Adaptive Neural Networks: Perceptron, Madaline, and Backpropagation //Artificial Neural Networks: Concepts and Theory, IEEE Computer Society Press, 1992, pp.327-354.
10. Paul J. Werbos, back pro pagation Through Time: What It Does and How to Do It //Artificial Neural Networks: Concepts and Theory, IEEE Computer Society Press, 1992, pp.309-319.
231
May 2024
