CC BY
67
Стационарное поведение агентов, то есть неизменчивость интенсивностей работы агентов и ограничение по минимальному количеству лимитированных заявок в книге является условием устойчивого состояния книги. В данных условиях ценовая динамика и высокочастотные характеристики модели демонстрируют схожее поведение с реально наблюдаемыми эмпирическими свойствами рынка.
Данная модель может быть легко расширена для моделирования более сложной динамики поведения рынка. Интерес представляет моделирование трендового поведения цены. Такое поведение можно реализовать путем изменения соотношения ограничений по минимальному количеству лимитированных заявок со стороны спроса и предложения, а также изменения соотношения рыночных заявок и отмены лимитированных заявок.
Литература
1. Ladley D., Zero Intelligence in Economics and Finance, The Knowledge Engineering Review, Cambridge Univ. Press, 2004, Vol. 27, pp. 1-24.
2. Lykov A., Muzychka S., Vaninsky K., A multi-agent nonlinear markov model of the order book. arXiv:1208.3083.
3. Cont R., Stoikov S., Talreja R., A stochastic model for order book dynamics, Operation Research, 2010, Vol. 58, no. 3, pp. 549-563.
4. Chakraborti A., Toke I. M., Patriarca M., Abergel F., Econophysics review: I. Empirical facts, Quantitative Finance, 2011, Vol. 11, no. 7, pp. 991-1012.
5. Chakraborti A., Toke I.M., Patriarca M., Abergel F., Econophysics review: II. Agent-based models, Quantitative Finance, 2011, Vol. 11, no. 7, pp. 1013-1041.
6. Maslov S., Simple model of a limit order-driven market, Physica A, 2000, no. 278, pp. 571-578.
7. Samanidou E., Zschischang E., Stauffer D., Lux T., Agent-based models of financial markets, Reports on Progress in Physics, 2007, Vol. 70, pp. 409-450.
References
1. Ladley D., The Knowledge Engineering Review, Cambridge University Press, 2004, Vol. 27, pp. 1-24.
2. Lykov A., Muzychka S., Vaninsky K., A multi-agent nonlinear markov model of the order book, available at: arXiv:1208.3083 (accessed 24 July 2013).
3. Cont R., Stoikov S., Talreja R., Operation Research, 2010, Vol. 58, no. 3, pp. 549-563
4. Chakraborti A., Toke I. M., Patriarca M., Abergel F., Quantitative Finance, 2011, Vol. 11, no. 7, pp. 991-1012.
5. Chakraborti A., Toke I. M., Patriarca M., Abergel F., Quantitative Finance, 2011, Vol.11, no. 7, pp. 1013-1041.
6. Maslov S., Physica A, 278, 2000, pp. 571-578.
7. Samanidou E., Zschischang E., Stauffer D., Lux T., Reports on Progress in Physics, 2007, Vol. 70, pp. 409-450.
УДК 004.93
СИСТЕМА АВТОМАТИЧЕСКОГО КАРТОГРАФИРОВАНИЯ ЗНАКОВ ДОРОЖНОГО ДВИЖЕНИЯ
(Работа выполнена при поддержке РФФИ, грант № 12-01-33085)
А.А. Чигорин, аспирант; А.С. Конушин, к.ф.-м.н., научный сотрудник (Московский государственный университет им. М.В. Ломоносова, Ленинские горы, 1, г. Москва, 119991, Россия, aachigorin@graphics. cs. msu. ru, ktosh@graphics. cs. msu.ru)
Рассмотрена задача автоматического нанесения дорожных знаков на карту. Для успешного применения автоматических методов на практике необходимо, чтобы суммарное время работы автоматического алгоритма и время исправления его ошибок были в разы меньше времени разметки оператором. Описывается система автоматического нанесения знаков на карту, состоящая из модулей обнаружения, распознавания, связывания и локализации. На этапах обнаружения и распознавания положение знака определяется независимо на каждом кадре и каждому обнаруженному знаку присваивается метка класса. На этапе связывания одни и те же физические знаки с соседних кадров объединяются в последовательности, что позволяет уточнить результаты этапа обнаружения и распознавания. На этапе локализации определяются координаты связанной последовательности знаков за счет применения метода триангуляции. Проведены эксперименты, подтверждающие эффективность различных компонентов предложенной системы. Система работает более чем со 140 классами знаков дорожного движения и не требует ручной разметки большого количества тренировочных изображений за счет обучения на синтетически полученных данных. Создана большая коллекция знаков дорожного движения Российской Федерации. Проведено тестирование системы на предложенной коллекции. Коллекция находится в открытом доступе, чтобы способствовать сравнению с другими методами.
Ключевые слова: картографирование, распознавание образов, знаки дорожного движения, синтетические данные.
A SYSTEM FOR AUTOMATIC TRAFFIC SIGNS MAPPING Chigorin A.A., postgraduate; Konushin AS., Ph.D., researcher (Lomonosov Moscow State University, Leninskie Gory, 1, Moscow, 119991, Russia, [email protected]. ru, ktosh@graphics. cs.msu.ru) Abstract. The article describes a system for the large-scale automatic traffic signs recognition and mapping. To apply automatic methods successfully we need the cumulative time of automatic algorithm and time for error correction to be less
than the time for manual data labeling by the human operator. Our system consists of four modules: detection, recognition, linking and localization. Detection and recognition mean that traffic sign position is determined on each frame separately and class label is assigned for each detected sign. On the linkage step the same physical signs from different frames are linked into the sequence that allows refining detection and recognition results. Coordinates of the linked sequence are determined on the localization step by triangulation. We experimentally justifyed design choices made for different components of the system. The system works with more than 140 different classes of traffic signs and does not require labor-intensive labeling of large amount of training data due to the training on synthetically generated images. We evaluated our system on the large dataset of Russian traffic signs and made this dataset publicly available to encourage future comparison.
Keywords: traffic signs mapping, pattern recognition, traffic signs, synthetic data.
Лучшие методы распознавания знаков дорожного движения основаны на машинном обучении [1] и требуют сбора большой обучающей коллекции изображений. Чтобы получить подобную коллекцию, оператору необходимо просмотреть сотни километров проезда, особенно в случае редко встречающихся классов знаков. Обойти описанную проблему можно, используя для обучения предлагаемую синтетическую коллекцию изображений.
Суть метода состоит в том, что на вход системе подается набор геопривязанных изображений, чтобы получить на выходе карту с нанесенными на нее знаками.
Обзор литературы
Авторам известны несколько опубликованных работ, описывающих системы распознавания знаков, выполняющие полный цикл - от обнаружения до распознавания и сопровождения. Все эти системы отличаются от предлагаемой либо точностью работы, либо требованиями, накладываемыми на оборудование снимающей машины. В работе [2] описана система, созданная на основе каскада классификаторов и обученная на разобщенных диполях (dissociated dipoles [3]). Она способна распознавать четыре типа знаков. Была достигнута полнота в 50-60 % для монокулярного видео с одним ложноположительным срабатыванием на каждые 13-52 кадра. Другая многокамерная система описана в [4]. Она способна обнаруживать и распознавать 62 класса знаков. В работе [5] аппаратно-ориентированная реализация дескриптора HOG [6] позволила получить полноту в 99 % при одном ложноположительном срабатывании на 1010 окон детектора.
Преимущества предлагаемой системы: она лучше и по полноте, и по точности, чем система из [2]; при использовании только одной камеры достигнута полнота в 96,8 % при двух ложнопо-ложительных срабатываниях на кадр по сравнению c [3]; система работает со 140 классами знаков (в отличие от трех в [5]).
Коллекция знаков дорожного движения Российской Федерации
Авторы собрали и вручную разметили большую коллекцию знаков дорожного движения
Российской Федерации [7], содержащую 9 508 изображений со знаками и 71 050 фоновых изображений. Она состоит из 14 360 отмеченных прямоугольников со знаками, 6 387 из которых имеют метку физического знака. Всего отмечено 863 физических знака. Таким образом, каждый физический знак заснят в среднем 7,3 раза. Коллекция разделена на обучающую и тестовую выборки. Обучающая выборка состоит из 4 754 изображений со знаками и 44 817 фоновых изображений. Остальные изображения содержатся в тестовой части.
Описание системы
Данные на вход поступают от системы мобильного картографирования, оснащенной одной камерой и GPS-модулем. Камера способна выдавать 0,9 MPix изображения пять раз в секунду. В данной работе описываются результаты для четырех типов дорожных знаков РФ, объединенных визуальной похожестью (рис. 1а).
А @ ® П ЯМИЯ
а ® о щ ткть
А © ф Ш
а) б)
Рис. 1. а) примеры типов знаков, обрабатываемых предлагаемой системой; б) примеры создаваемых синтетических данных
Система состоит из четырех модулей:
- обнаружения, осуществляет поиск знаков на каждом входном кадре;
- распознавания, присваивает метку класса каждому обнаруженному знаку;
- сопоставления, связывает одни и те же физические знаки на соседних кадрах;
- локализации, вычисляет положение знака в мировых координатах.
Создание синтетических данных
Знак дорожного движения - это твердый пла-нарный объект. Данный факт делает создание синтетических изображений знака достаточно простой задачей. Авторы применили серию транс-
формаций к пиктограммам знаков из википедии, чтобы получить синтетические изображения, визуально похожие на реальные.
Представим трансформации, применяемые к каждой пиктограмме:
- изменение яркости и насыщенности;
- поворот, масштабирование и смещение знака в трехмерном пространстве;
- добавление гауссового шума, шума «соль и перец», эффектов пикселизации и размытия;
- добавление фона из реальных изображений со смешиванием по краям.
Пример получаемых синтетических данных приведен на рисунке 1б. Каждая трансформация задана вероятностью появления, а в случае появления - распределением вероятности на параметры трансформации (подробнее об алгоритме создания синтетической выборки см. в [8]).
Обнаружение дорожных знаков
В данной работе, как и в [2, 4, 5], используется каскад классификаторов, на первых этапах которого применяются классификаторы AdaBoost, обученные на разобщенных диполях [3]. Изображение предобрабатывается с помощью фильтров, извлекающих основные цвета знаков из изображения [9]. На каждом этапе каскада для обучения используются 10 000 синтетических и 16 000 фоновых примеров, полученных из реальных изображений с помощью бутстрэппинга. Тринадцать этапов каскада обучаются, пока доля ложнополо-жительных срабатываний не достигнет 10-7.
После этого происходит обучение глубокой сверточной нейронной сети на значительно большем объеме синтетических данных, состоящем из 200 000 примеров. Предлагаемая сеть состоит из пяти слоев с обучаемыми весами и двух слоев подвыборки. Она принимает на вход изображения размером 30x30 пикселей, нормализованные с помощью выравнивания гистограмм. Подробнее о параметрах сети см. в [10] (использованы параметры для базы CIFAR-10). Этапы бутстрэппинга повторяются, пока доля ложноположительных срабатываний не достигнет 10-9. Таким образом, обучаются четыре детектора для каждого типа знаков.
Для проверки того, что использование нейронной сети на последнем этапе каскада улучшает точность обнаружения, проведен ряд экспериментов, в которых сравнивались точность работы детектора, обученного только на диполях, и детектора с нейронной сетью на последнем этапе. Оба детектора были обучены до одного и того же процента ложноположительных срабатываний. Рисунок 2 показывает, что использование нейронной сети позволяет улучшить полноту в среднем на 7 %. Итоговая точность работы детектора для четырех типов знаков приведена в таблице 1.
Таблица 1
Точность работы детектора для четырех типов знаков
Доля Полнота по
Тип знака ложноположительных физическим
срабатываний знакам, %
Синие 2-10-10 92,18
квадраты
Красные 7-10-10 82,35
треугольники
Синие круги 6-10-10 83
Красные круги 2-10-9 84,7
Распознавание дорожных знаков
Модуль распознавания также основан на глубоких сверточных нейронных сетях, которые показали, что являются лучшим классификатором для данной задачи [1]. Она состоит из двух свер-точных слоев, за каждым из которых следует слой подвыборки. За вторым слоем подвыборки следуют два полносвязных слоя и soítmax-слой, возвращающий распределение на метки классов. Сеть обучалась на синтетических данных для каждого типа знаков. Результаты работы четырех классификаторов показаны в таблице 2.
Таблица 2
Результаты распознавания для четырех типов знаков
Количе- Количество Распознанные
Тип знака ство обучающих физические
классов примеров знаки, %
Синие 31 279 000 96,6
квадраты
Красные 46 414 000 92,8
треугольники
Синие круги 16 144 000 100
Красные круги 47 423 000 93,8
Сопоставление и локализация знаков
Для связи одних и тех же физических знаков между кадрами использовался простой алгоритм, работающий в пространстве пикселей изображения. Он предсказывает позицию знака на следую-
Рис. 2. Сравнение различных признаков и классификаторов, использованных на последних этапах каскада: a) для типа «синие квадраты», б) для типа «красные треугольники»
щем кадре с помощью уравнения линейного равноускоренного движения: r=r0+v0t+(at2)/2, где r0 -начальная позиция знака на изображении; v0 -скорость; a - ускорение знака; r - позиция знака по прошествии интервала времени.
Чтобы использовать это уравнение, необходимо знать v0 и a. Данные величины легко вычисляются с помощью метода конечных разностей, если известна позиция знака на последних двух или трех кадрах соответственно. Если нет достаточного количества кадров, принимаем v0 и a равными нулю. После сопоставления знаков на соседних кадрах в один физический знак можно получить его положение в мировых координатах с помощью триангуляции. Можно также уточнить метку класса, используя результаты распознавания на разных кадрах.
В заключение отметим, что авторы представили оригинальную систему автоматического нанесения знаков на карту. Для тестирования создана большая база знаков Российской Федерации, которая выложена в открытый доступ. Проведено тестирование предложенной системы более чем на 140 классах знаков Российской Федерации. Предложенная система обучается на синтетически созданных данных и не требует трудозатратной разметки обучающих данных. Использование глубокой сверточной нейронной сети на последнем этапе каскада модуля обнаружения позволяет повысить точность обнаружения в среднем на 7 %. При обучении модуля распознавания на синтетически сгенерированных данных получаются результаты, сравнимые с получаемыми при обучении на реальных данных.
Литература
1. Stallkamp J., Schlipsing M., Salmen J., Igel C., Man vs. Computer: Benchmarking Machine Learning Algorithms for Traffic Sign Recognition, Neural Networks, 2012, Vol. 32, pp. 323-332.
2. Baro X., Escalera S., Vitria J., Pujol O., Radeva P., Traffic sign recognition using evolutionary Adaboost detection and Forest-ECOC classification, IEEE Transactions on Intelligent Transportation Systems, 2009, Vol. 10, no. 1, pp. 113-126.
3. Balas B.J. and Sinha P., STICKS: Image-representation via non-local comparisons, J. Vis., 2003, Oct., Vol. 3, no. 9, p. 12.
4. Timofte R., Zimmermann K. and Gool L.V., Multi-view traffic sign detection, recognition, and 3D localization, Workshop on Applications of Computer Vision, 2009, pp. 1-8.
5. Overett G.M., Tychsen-Smith L., Petersson L., Andersson L., Pettersson N., Creating Robust High-Throughput Traffic Sign Detectors Using Centre-Surround HOG Statistics, Machine Vision and Applications, 2011, Dec., pp. 1-14.
6. Dalal N., Triggs W., Histogram of oriented gradients for human detection, Proc. IEEE Conf.Comput. Vis. and Pattern Recog., 2005, pp. 886-893.
7. Russian Traffic Signs Dataset. URL: ftp://[email protected]/AnonymousFTP/RTSD/ (дата обращения: 12.06.2013).
8. Моисеев Б., Чигорин А. Классификация автодорожных знаков на основе сверточной нейросети, обученной на синтетических данных // ГрафиКон'2012: сб. тр. 22-й Междунар. конф. по компьют. графике и машин. зрению. М.: МГУ, 2012. С. 284-287.
9. Ruta A., Porikli F., Watanabe S., Li Y., In-vehicle camera traffic sign detection and recognition, Mach. Vis. Appl., 2011, Vol. 22, no. 2, pp. 359-375.
10. Cuda-convnet library. URL: https://code.google.com/p/cu-da-convnet/ (дата обращения: 12.06.2013).
References
1. Stallkamp J., Schlipsing M., Salmen J., Igel C., Neural Networks, 2012, Vol. 32, pp. 323-332.
2. Baro X., Escalera S., Vitria J., Pujol O., Radeva P., IEEE Transactions on Intelligent Transportation Systems, 2009, Vol. 10, no. 1, pp. 113-126.
3. Balas B.J., Sinha P., Journ. of Vision, 2003, Vol. 3, no. 9, p. 12.
4. Timofte R., Zimmermann K., Gool L.V., Workshop on Applications of Computer Vision, 2009, pp. 1-8.
5. Overett G.M., Tychsen-Smith L., Petersson L., Andersson L., Pettersson N., Machine Vision and Applications, 2011, pp. 114.
6. Dalal N., Triggs W., Proc. IEEE Conf. Comput. Vis. and Pattern Recog., 2005, pp. 886-893.
7. Russian Traffic Signs Dataset, available at: ftp://[email protected]/AnonymousFTP/RTSD/ (accessed 12 June 2013).
8. Moiseev B., Chigorin A., GrafiKon'2012: sb. tr. 22 Mezh-dunar. konf. po kompyut. grafike i mashinnomu zreniyu [Graphi-Kon'2012: proc. of 22th int. conf.on computer graphics and mashine vision], 2012, pp. 284-287.
9. Ruta A., Porikli F., Watanabe S., Li Y., Mach. Vis. Appl., 2011, Vol. 22, no. 2, pp. 359-375.
10. Cuda-convnet library, available at: https://code.google. com/p/cuda-convnet/ (accessed 12 June 2013).
УДК 004.415.2.031.43
МНОГОШАГОВАЯ СИСТЕМА ПОИСКА АЛЬТЕРНАТИВ В ИНФОРМАЦИОННОМ КАТАЛОГЕ
(Работа выполнена при поддержке РФФИ, проекты №№ 12-07-00238, 13-07-00077, 13-07-00342)
Б.В. Палюх, д.т.н., профессор; И.А. Егерева, к.т.н., докторант (Тверской государственный технический университет, наб. Аф. Никитина, 22, г. Тверь, 170026, Россия, [email protected])
Несмотря на обширно представленное направление каталогизации информации в различных областях, обеспечение поиска данных, являющееся одним из самых главных разделов систематизации информации, осуществляется на
