М. Е. Мазуров – д.ф.-м.н., профессор, Российский экономический университет им. Г.В. Плеханова (Москва, Россия)

E-mail: mazurov37@mail.ru

Постановка проблемы. Распознавание объектов является одной из наиболее существенных когнитивных задач живых организмов. Распознавание объектов можно разделить на распознавание изображений, речи, музыки, ощущений, вкуса, обоняния и других объектов. В данной работе распознавание объектов рассматривается на примере распознавания изображений, которое производится с помощью машинных методов, называемых методами искусственного интеллекта, и методов нейронных сетей.

Цель. Обосновать использование специального корреляционного метода в качестве критерия для оценки точности распознавания двумерных изображений с помощью стандартных и избирательных нейронных сетей прямого распространения.

Результаты. Рассмотрены методы машинного распознавания изображений. Указано, что оценка точности распознавания в этом случае зависит от конкретной задачи распознавания и используемых для обучения датасетов в качестве обучающей базы данных в конкретном случае. Приведена общая структура распознавания изображений в виде лиц. Представлена структура нейронных сетей прямого распространения, стандартных, основанных на нейронах МакКаллока–Питтса, и избирательных, основанных на избирательных нейронах. При оценке точности распознавания двумерных изображений в стандартных и избирательных нейронных сетях предложено использование достаточно удобного корреляционного критерия. Отмечено, что предлагаемый критерий оценки точности допускает наглядную геометрическую интерпретацию.

Практическая значимость. Предлагаемый критерий использован практически для оценки точности распознавания изображений в виде набора цифр, для распознавания портретов русских и советских писателей и поэтов, «умного» распознавания электрокардиограмм.

Мазуров М.Е. Оценка точности распознавания изображений в избирательных нейронных сетях // Нейрокомпьютеры: разработка, применение. 2020. Т. 22. № 5. С. 64–75. DOI: 10.18127/j19998554-202005-06.

1. Форсайт Д.А., Понс Ж. Компьютерное зрение. Современный подход: Пер. с англ. М.: ИД «Вильямс». 2004.
2. Журавлев Ю.И., Рязанов В.В., Сенько О.В. Распознавание. Математические методы. Программная система. Практические применения. М.: Фазис. 2005.
3. Zhao W., Chellappa R., Phillips P.J., Rosenfeld A. Face recognition: A literature survey // ACM Computing Surveys. 2003. V. 35. № 4. P. 399–485.
4. Gilani S.Z., Mian A. Learning from millions of 3D scans for large-scale 3D face recognition // 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2018. [Электронный ресурс] arXiv:1711.05942.
5. Филлипс П.Дж., Флинн П.Дж., Скраггс Т., Бойер К.В., Чанг Дж., Хофман К., Маркес Дж., Мин Дж., Ворек В. Обзор грандиозной задачи распознавания лиц / В кн.: Компьютерное зрение и распознавание образов. 2005. С. 947–954.
6. Yin L., Wei X., Sun Y., Wang J., Rosato M.J. A 3D facial expression database for facial behavior research // 7th International Conference on Automatic Face and Gesture Recognition. 2006. P. 211–216.
7. Gupta S., Castleman K.R., Markey M.K., Bovik A.C. Texas 3D face recognition database // IEEE Southwest Symp. on Image Analysis and Interpretation. 2019. P. 97–100.
8. LeCun Y., Bottou L., Bengio Y., Haffner P. Gradient-based learning applied to document recognition // Proceedings of the IEEE. 1998. V. 86. № 11. P. 2278–2324.
9. Хайкин С. Нейронные сети: полный курс. Изд. 2-е. М.: ИД «Вильямс». 2006.
10. Галушкин А.И. Нейронные сети. Основы теории. М.: Телеком. 2010.
11. Осовский С. Нейронные сети для обработки информации: Пер. с польского И.Д. Рудинского. М.: Финансы и статистика. 2002.
12. Магницкий Н.А. Некоторые новые подходы к построению и обучению искусственных нейронных сетей // Нелинейная динамика и управление. 2001. Вып. 1. С. 87–98.
13. LeCun Y., Bengio Y., Hinton G. Deep learning // Nature. 2015. V. 521. P. 436–444.
14. Патент № 2597495 РФ. Нейрон, моделирующий свойства реального нейрона / М.Е. Мазуров. Опубл. 10.09.2016. Бюл. № 25.
15. Патент № 2597497 РФ. Однослойный перцептрон на основе избирательных нейронов / М.Е. Мазуров. Опубл. 10.09.2016. Бюл. № 25.
16. Патент № 2598298 РФ. Импульсный нейрон, близкий к реальному / М.Е. Мазуров. Опубл. 20.09.2016. Бюл. № 26.
17. Патент № 2597496 РФ. Однослойный перцептрон, моделирующий свойства реального перцептрона / М.Е. Мазуров. Опубл. 10.09.2016. Бюл. № 25.
18. Mazurov M.E. Intelligent recognition of electrocardiograms using selective neuron networks and deep learning // International Conference of Artificial Intelligence, Medical Engineering, Education. Moscow, Russia. 2017. P. 182–198.
19. Мазуров М.Е. Нелинейная динамика, почти-периодическое суммирование, автоколебательные процессы, информационное кодирование в избирательных импульсных нейронных сетях // Изв. РАН. Сер. «Физическая». 2018. Т. 82. № 11. С. 1564–1570.
20. Мазуров М.Е. Механизмы инвариантного помехоустойчивого кодирования в импульсных нейронных сетях // Изв. РАН. Сер. «Физическая». 2020. Т. 84. № 1. С. 90–95.