СРАВНЕНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ РАСПОЗНАВАНИЯ ЧЕЛОВЕКА НА ИЗОБРАЖЕНИИ Текст научной статьи по специальности «Компьютерные и информационные науки»

ISSN 2223-4047

Вестник магистратуры. 2018. № 3-1(78)

Т Е Х Н И Ч Е С К И Е

НАУКИ

УДК 62

В.О. Путилин, А.К. Овсянников, И.А. Головенок

СРАВНЕНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ РАСПОЗНАВАНИЯ ЧЕЛОВЕКА НА ИЗОБРАЖЕНИИ

В настоящее время для решения задачи распознавания лиц на изображении используются интеллектуальные системы на основе нейронных сетей, так как решение данной задачи вручную требует большого количества времени. Таким образом, задача классификации изображений является актуальной.

Ключевые слова: распознавания лиц, нейронные сети, сравнение нейронных сетей, компьютерное зрение.

Распознавания лица в текущее время становится все более актуальной. Есть множество мест, где целесообразно применить системы распознавания лиц. Наиболее известными областями применения являются безопасность и криминалистика. Но существуют и другие области применения. Например, в сфере социальных сетей данную технологию можно применить автоматического выделения и подписи людей на фотографиях. Данная технология крайне важна и в робототехнике и военном деле, поскольку позволит разделять людей на «свой» - «чужой».

В настоящее время для решения задачи распознавания лиц на изображении используются интеллектуальные системы на основе нейронных сетей, так как решение данной задачи вручную требует большого количества времени. Таким образом, задача классификации изображений является актуальной.

Нейронные сети по их топологии можно разделить на:

1.Полносвязные нейронные сети. Каждый нейрон передает свой выходной сигнал остальным нейронам, в том числе и самому себе. Все входные сигналы подаются всем нейронам. Выходными сигналами сети могут быть все или некоторые выходные сигналы нейронов после нескольких тактов функционирования сети.

2.Многослойные нейронные сети. Нейроны объединяются в слои, которые содержат совокупность нейронов с едиными входными сигналами. Число нейронов в каждом слое может быть любым и никак

© Путилин В.О., Овсянников А.К., Головенок И.А., 2018.

Научный руководитель: Тынченко Сергей Васильевич - кандидат технических наук, доцент, Сибирский государственный университет науки и технологий имени академика М.Ф. Решетнева, Россия.

Вестник магистратуры. 2018. № 3-1(78)

ISSN 2223-4047

заранее не связано с количеством нейронов в других слоях. Кроме входного и выходного слоев в многослойной нейронной сети есть один или несколько скрытых слоев [1].

3. Слабосвязанные нейронные сети представляют собой слоистые сети с небольшим количеством связей.

Метод обучения «Backpropagation» многослойного перцептрона, является самым популярным. Основная идея этого метода состоит в распространении сигналов ошибки от выходов сети к её входам, в направлении, обратном прямому распространению сигналов в обычном режиме работы [2]. Этот метод самый простой, так как алгоритм обучения данного метода заключается в последовательной корректировке весов на слоях до тех пор, пока нейронная сеть не будет работать с требуемой точностью.

Одна из нейронных сетей для распознавания лиц это нейронная сеть Хопфилда. Нейронная сеть Хопфилда состоит из N искусственных нейронов. Каждый нейрон системы может принимать одно из двух состояний [3]. В сети Хопфилда матрица связей является симметричной, а диагональные элементы равны нулю, что исключает эффект воздействия нейрона на самого себя и является необходимым для сети Хопфилда.

Третья нейронная наиболее распространенная сеть называется Коско. Данная сеть однослойная с обратными связями. Алгоритм её работы заключается во входном векторе, который поступает на один набор нейронов, а соответствующий выходной вектор вырабатывается на другом наборе нейронов. Данная сеть способна к обобщению, вырабатывая правильные реакции, несмотря на искаженные входы.

На сегодняшний момент среди рассмотренных архитектур нейронных сетей наиболее популярной для задач классификации изображений является Backpropagation, так как нейронные сети Коско и Хопфилда не способны решать линейно неразделимые задачи из-за отсутствия устойчивости нейронной сети, а в случаях, когда устойчивость достигается нейронная сеть становится эквивалентной однослойной нейронной сети [4].

Библиографический список

1.Гонсалес Р. и Вудс Р., Цифровая обработка изображений [Text] - М: Техносфера - Телеком, 2012. - 1104 с.

2.Verma B., Kulkami S. Neural Networks for Content-Based Image Retrieval [Text]. - Hershey: IRM Press, 2007. -

21 p.

3.Черкасов Ю. Алгоритм обучения многослойной нейронной сети методом обратного распространения ошибки (Backpropagation) [Электронный ресурс]. - habrahabr.ru: https://habrahabr.ru/post/198268/ (дата обращения: 25.12.2016).

4.Kokkinos I., Maragos P., Synergy between Object Detection using Expectation and Maximization Algorithm [Text] - New Jersey: IEEE, 2009. - 1501 p.

ПУТИЛИН ВЛАДИСЛАВ ОЛЕГОВИЧ - магистрант, Сибирский государственный университет науки и технологий имени академика М.Ф. Решетнева, Россия.

ОВСЯННИКОВ АНДРЕЙ КОНСТАНТИНОВИЧ - магистрант, Сибирский государственный университет науки и технологий имени академика М.Ф. Решетнева, Россия.

ГОЛОВЕНОК ИГОРЬ АЛЕКСАНДРОВИЧ - магистрант, Сибирский государственный университет науки и технологий имени академика М.Ф. Решетнева, Россия.