Сравнение алгоритмов распознавания образов для семантического анализа изображений

Авторы: Васильева Е.А.
Опубликовано в выпуске: #3(32)/2019
DOI: 10.18698/2541-8009-2019-3-447
Раздел: Машиностроение и машиноведение | Рубрика: Роботы, мехатроника и робототехнические системы
Ключевые слова: техническое зрение, распознавание образов, машинное обучение, классификация изображений, нейронная сеть, алгоритм SVM, алгоритм CatBoost, алгоритм LightGBM, алгоритм SGDClassifier
Опубликовано: 04.03.2019

Работа посвящена исследованию проблемы автономного контроля сельскохозяйственного сектора в рамках ограниченной информации об окружающем пространстве. Рассмотрена задача обнаружения угнетенных участков с помощью беспилотных летательных аппаратов, оснащенных системой технического зрения. Представлены современные алгоритмы классификации объектов, приведено описание алгоритмов распознавания образов. Выполнен сравнительный анализ алгоритмов распознавания изображений на основе линейных методов и методов с использованием градиентного бустинга. Представлены результаты тестирования эффективности работы алгоритмов. В результате анализа установлено, что алгоритм SGDClassifier показывает наилучшее качество распознавания на основе метрик Precision, Recall и F-меры.

Литература

[1] Каляев И.А., Гайдук А.Р., Капустян С.Г. Модели и алгоритмы коллективного управления в группах роботов. М., Физматлит, 2009.

[2] Рубцов И.В., Машков К.Ю., Наумов В.Н. 185 лет МГТУ им. Н. Э. Баумана – Состояние и перспективы развития специальной робототехники. Сб. мат. 10 Всерос. науч.-практ. конф. Перспективные системы и задачи управления, 2015, № 1, с. 247–255.

[3] Васильева Е.А. Разработка алгоритма системы технического зрения для семантического анализа изображений. Политехнический молодежный журнал, 2018, № 9(26). DOI: 10.18698/2541-8009-2018-9-366 URL: http://ptsj.ru/catalog/menms/robots/366.html

[4] Местецкий Л.М. Математические методы распознавания образов. М., МГУ, 2002–2004.

[5] Chen L.-C., Papandreou G., Kokkinos I., et al. DeepLab: semantic image segmentation with deep convolutional nets, atrous convolution, and fully connected CRFs. IEEE Trans. Pattern Anal. Mach. Intell., 2018, vol. 40, no. 4, pp. 834–848. DOI: 10.1109/TPAMI.2017.2699184 URL: https://ieeexplore.ieee.org/document/7913730

[6] Cristianini N., Shawe-Taylor J. An introduction to support vector machines and other kernel-based learning methods. Cambridge University Press, 2000.

[7] Prokhorenkova L., Gusev G., Vorobev A., et al. CatBoost: unbiased boosting with categorical features. arxiv.org: веб-сайт. URL: https://arxiv.org/abs/1706.09516 (дата обращения: 01.12.2018).

[8] Ke G., Meng Q., Finley T., et al. LightGBM: a higly efficient gradient boosting decision tree. Proc. NIPS 2017. URL: https://papers.nips.cc/paper/6907-lightgbm-a-highly-efficient-gradient-boosting-decision-tree (дата обращения: 01.12.2018).

[9] Zhang T. Solving large scale linear prediction problems using stochastic gradient descent algorithms. Proc. ICML, 2004, p. 116. DOI: 10.1145/1015330.1015332 URL: https://dl.acm.org/citation.cfm?id=1015332