А.А. Адамова, В.А. Зайкин, Д.В. Гордеев

МГТУ им. Н.Э. Баумана (Москва, Россия)

Постановка проблемы. Для создания различных типов нейронных сетей необходимо исследовать состояние и перспективы развития технологий машинного обучения и их применение в задачах компьютерного зрения.

Цель. Провести обзор методов и технологий машинного обучения в задачах компьютерного зрения и рассмотреть области применения нейросетей в решении задач, связанных с космонавтикой.

Результаты. Проведен обзор текущего состояния и перспектив развития в области применения технологий машинного обучения в задачах компьютерного зрения. Рассмотрены типы архитектур глубоких сверточных сетей, используемых для обработки изображений, их применение в космической отрасли, а также приведен анализ элементной базы для реализации платформ компьютерного зрения. Рассмотрены различные методы и технологии машинного обучения с использованием как отечественных, так и зарубежных устройств. Показано, что на данный момент существуют несколько отечественных компаний, которые занимаются разработкой микропроцессоров, на которых возможно реализовать нейросеть и обучить ее. Выявлены перспективы методов машинного обучения в задачах компьютерного зрения, их возможность и целесообразность применения в настоящее время и в ближайшем будущем.

Практическая значимость. Результаты работы могут быть использованы для создания различных типов нейросетей. На основе приведенного обзора нейронных процессоров можно начать проектировать нейронную сеть. Обработка и сброс поступающей информации, необходимые для машинного обучения, способны управлять функциями, решать внештатные ситуации и обезопасить жизнь человека.

Адамова А.А., Зайкин В.А., Гордеев Д.В. Методы и технологии машинного обучения и нейросетевых технологий в задачах компьютерного зрения // Нейрокомпьютеры: разработка, применение. 2021. T. 23. № 4. С. 25−39. DOI: https://doi.org/10.18127/j19998554-202104-03

1. Тьюринг А.М. Вычислительные машины и разум // В сб.: Хофштадер Д., Деннет Д. Глаз разума. Самара: Бахрах-М, 2003. С. 47–59.
2. Жежко Л.В., Карпик А.П., Хорошилов В.С. Системы искусственного интеллекта. Ч. 1. Представление знаний в информационных системах: Учеб. пособие. Новосибирск: СГГА, 2005. 84 с.
3. Prudius A.A., Karpunin A.A., Vlasov A.I. Analysis of machine learning methods to improve efficiency of big data processing in industry 4.0. Journal of Physics: Conference Series. 2019. № 032065.
4. Балухто А.Н., Романов А.А. Искусственный интеллект в космической технике: состояние, перспективы развития // Ракетно-космическое приборостроение и информационные системы. 2019. Т. 6. Вып. 1. С. 65–75.
5. Howitt I., Gutierrez J.A., IEEE802.15.4 low rate-wireless personal area network coexistence issues, Wireless Communications and Networking 3. 2003. P. 1481–1486.
6. Yuldashev M.N., Vlasov A.I., Novikov A.N. Energy-efficient algorithm for classification of states of wireless sensor network using machine learning methods. Journal of Physics: Conference Series. 2018. V. 1015. № 032153.
7. Адамов А.П., Адамова А.А., Юлдашев М.Н. Классификация состояний беспроводной сенсорной сети с использованием методов машинного обучения // Проблемы разработки перспективных микро- и наноэлектронных систем (МЭС). 2016. № 2.  С. 248–251.
8. Аверьянихин А.Е., Власов А.И., Евдокимова Е.В. Иерархическая пирамидальная субдискретизация в глубоких сверточных сетях для распознавания визуальных образов // Нейрокомпьютеры: разработка, применение. 2021. Т. 23. № 1. С. 17–31.
9. Вирясова А.Ю., Власов А.И., Гладких А.А. Нейросетевые методы дефектоскопии интегральных структур // Нейрокомпьютеры: разработка, применение. 2019. № 2. С. 54–67.
10. Власов А.И., Папулин С.Ю. Анализ данных с использованием гистограммной модели комбинации признаков // Нейрокомпьютеры: разработка, применение. 2019. Т. 21. № 5. С. 18–27.
11. Salakhutdinov R., Hinton G. Deep Boltzmann Machines. 2009. P. 448–455.
12. Montufar G. Restricted Boltzmann Machines: Introduction and Review. 2018. 40 p.
13. Goodfellow I., Bengio Y., Courville A. Deep Learning. The MIT Press, 2016.
14. Гришеленок Д.А., Ковель А.А. Использование нейросетей в системах встроенного контроля бортовой аппаратуры космических аппаратов // Исследования наукограда. 2013. №1 (3). 5 с.
15. Шахнов В.А., Власов А.И., Поляков Ю.А., Кузнецов А.С. Нейрокомпьютеры: архитектура и схемотехника. М.: Изд-во Машиностроение. 2000. 64 с.
16. Власов А.И. Аппаратная реализация нейровычислительных управляющих систем // Приборы и системы. Управление, контроль, диагностика. 1999. № 2. С. 61–65.
17. Khalzev S.E., Vlasov A.I., Shakhnov V.A. Visual methods of high-level system design for digital hardware components // Journal of Physics: Conference Series. 2020. V. 1515. № 42024.
18. Khalzev S.E., Vlasov A.I., Shakhnov V.A. Application of visual tools for system modeling of digital integrated circuits // Проблемы разработки перспективных микро- и наноэлектронных систем (МЭС). 2020. № 1. С. 8–14.
19. Котельницкий А.В., Власов А.И. Применение поведенческих моделей при проектировании систем на кристалле // Инженерный вестник. 2012. № 9. 10 с.
20. Vlasov A.I., Zhalnin V.P., Shakhnov V.A. Methods for improvement of the consistency and durability of the inorganic memristor structures. International Journal of Nanotechnology. 2019. V. 16. № 1–3. P. 187–195.
21. Власов А.И., Жалнин В.П., Шахнов В.А., Алябьев И.О. Возможности применения перспективной нейросетевой элементной базы на основе неорганических мемристоров // Тезисы докл. XVII Всерос. науч. конф. «Нейрокомпьютеры и их применение». 2019. С. 242–245.
22. Микрин Е.А. Бортовые комплексы управления космическими аппаратами и проектирование их программного обеспечения. М.: Изд-во МГТУ им. Н.Э. Баумана, 2003. 245 с.
23. Филин В.М., Пчелинцев Л.А., Денчик В.Н. и др. Оптимизация диагностики космического разгонного блока. М., 2004.
24. Деревянко В.В. Применение DataMining в космических приложениях // Интеллект и наука: тр. X Междунар. науч.практич. конф. «Интеллект и наука» (г. Железногорск, 28-29 апреля 2010 г). Красноярск: ИПК СФУ, 2010. С. 26–33.
25. Vlasov A.I., Muraviev K.A., Prudius A.A., Uzenkov D.A. Load balancing in BIG DATA processing systems. International Review of Automatic Control. 2019. V. 12. № 1. С. 42–47.
26. Николенко С.И., Кадурин А. А., Архангельская Е. О. Глубокое обучение. СПб: Питер, 2018. 480 с.