П.О. Архипов1, С.Л. Филиппских2, М.В. Цуканов3

1–3 Орловский филиал ФИЦ «Информатика и управление» РАН (г. Орёл, Россия)
1 arpaul@mail.ru, 2 philippsl@mail.ru, 3 tsukanov.m.v@yandex.ru

Постановка проблемы. Практика применения классических методов компьютерного зрения в задачах поиска аномалий показывает, что существует проблема выделения большого количества объектов малого размера и аномалии типа «шум». Аномалии данного вида довольно сложно анализировать человеческим глазом. Справиться с этой проблемой поможет внедрение методов глубокого обучения, которые выполняют сложные задачи детектирования и классификации найденных аномалий. Внедрение данных методов в текущее программное обеспечение сложно реализовать на практике, так как требуется заново разработать большую часть новых модулей системы. Предлагается постепенно задействовать технологии глубокого обучения и дополнить программное обеспечение новыми механизмами автоматического поиска и классификации объектов, исключив методы классического компьютерного зрения.

Цель. провести интеграцию модуля глубокого обучения в разработанное ранее специальное программное обеспечение, предназначенное для обнаружения и классификации аномалий.

Результаты. Описан новый метод интеграции модуля глубокого обучения в специальное программное обеспечение, основанного на базе классических алгоритмов компьютерного зрения. Установлено, что предложенный метод интеграции потребовал минимального изменения существующих модулей специального программного обеспечения. Создана дополнительная нейросетевая генеративная модель, улучшающая качество классификации путем увеличения размера обучающего датасета. Реализованная генеративная нейросетевая модель выполнена в виде ансамбля вариационных автокодировщиков, что значительно упрощает процесс обучения и точную настройку нейронных сетей. Также разработан метод проверки качества созданных синтетических данных, позволяющий оценить работу ансамбля вариационных автокодировщиков.

Практическая значимость. Реализовано новое усовершенствованное специальное программное обеспечение, которое позволяет дополнительно классифицировать найденные объекты интереса методами глубокого обучения.

Архипов П.О., Филиппских С.Л., Цуканов М.В. Новый метод интеграции модуля глубокого обучения в специальное программное обеспечение классификации объектов // Системы высокой доступности. 2024. Т. 20. № 1. С. 38−45. DOI: https:// doi.org/10.18127/j20729472-202401-04

1. Свидетельство о государственной регистрации программы для ЭВМ № 2022615139. Программа для ЭВМ Программная система обнаружения аномалий на разновременных панорамах обследуемой местности (CL_22) / П.О. Архипов, А.В. Колесник, М.В. Цуканов. Зарегистрировано в Реестре программ для ЭВМ 30 марта 2022 г. 1 с.
2. Архипов П.О., Цуканов М.В. Алгоритмическая модель обнаружения аномалий на разновременных панорамах // Системы высокой доступности. 2021. Т. 17. № 2. С. 5−10. DOI: 10.18127/j20729472-202102-01.
3. Архипов П.О., Цуканов М.В., Трофименков А.К. Применение нечетких множеств в задаче обнаружения аномалий на сравниваемых панорамах // Системы высокой доступности. 2023. Т. 19. № 2. С. 46−54. DOI: 10.18127/j20729472-202302-04.
4. Arkhipov P.O., Philippskih S.L. Building an ensemble of convolutional neural networks for classifying panoramic images. Pattern Recognition and Image Analysis. 2022. V. 32. № 3. P. 511–514. DOI: 10.1134/S1054661822030051.
5. Архипов П.О., Филиппских С.Л., Цуканов М.В. Разработка новой модели сверточной нейронной сети для классификации аномалий на панорамах // Информатика и ее применения. 2023. Т. 17. Вып. 1. С. 50–56. DOI: 10.14357/19922264230107.
6. Архипов П.О., Филиппских С.Л. Распознавание аномалий на разновременных панорамах с использованием нейросетевого похода консолидации моделей // Системы и средства информатики. 2023. Т. 33. № 2. С. 13–24. DOI:10.14357/08696527230202.
7. Свидетельство о государственной регистрации программы для ЭВМ № 2023685690. Программная система определения и классификации аномалий на сравниваемых панорамах, полученных при проведении аэрофотосъемки с БПЛА / П.О. Архипов, С.Л. Филиппских, М.В. Цуканов. Зарегистрировано в Реестре программ для ЭВМ 29.11.2023 г. 1 с.
8. Zhu P., Wen L., Du D. et al. Detection and Tracking Meet Drones Challenge. Cornell University, 4 Oct 2021. arXiv: 2001.06303v3 [cs.CV].
9. Monarch R. Human-in-the-Loop Machine Learning. Active learning and annotation for human-centered AI. Manning Publications Co. 2021.
10. Kingma D., Welling M. Auto-Encoding Variational Bayes. Machine Learning Group Universiteit van Amsterdam, 10 Dec 2022. arXiv:1312.6114v11 [stat.ML].
11. Hou X. et al. Deep Feature Consistent Variational Autoencoder. University of Nottingham, 2 October 2016. arXiv:1610.00291v1 [cs.CV].
12. Foster D. Generative Deep Learning, 2nd Edition. O'Reilly Media, Inc., Sebastopol, CA (2023).
13. ЦКП «ИНФОРМАТИКА». URL: https://www.frccsc.ru/ckp (дата обращения: 02.04.2024).
14. Lin T.-Y., Goyal P., et al. Focal Loss for Dense Object Detection, 7 Feb 2018. arXiv:1708.02002v2 [cs.CV].
15. Kullback S., Leibler R.A. On information and sufficiency. The Annals of Mathematical Statistics. 1951. V. 22. № 1. P. 79–86.