Развитие технологий распознавания на основе дополнительных признаков

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

В статье рассмотрены различные технологии распознавания изображений и предложены способы их улучшения путем исследования дополнительных признаков. В частности, представлен новый подход, который способствует улучшению решения задачи распознавания путем использования точек Харриса в качестве дополнительных признаков на изображениях. Это существенно повышает точность классифицирующей модели распознавания. Значимость данного подхода заключается в его способности улучшить возможности системы распознавания в обнаружении и выделении ключевых особенностей объектов, что в конечном счете приводит к более надежным и эффективным результатам при анализе, обработке и классификации данных, а также повышает устойчивость модели. Благодаря этим улучшениям, данная технология распознавания может быть успешно применена в различных областях, где требуется высокая точность и надежность при распознавании информации, например в сфере медицины, классификации транспортных средств и т.д.

Об авторах

Александр Алексеевич Зацаринный

Федеральный исследовательский центр «Информатика и управление» РАН

Автор, ответственный за переписку.
Email: AZatsarinny@ipiran.ru

главный научный сотрудник, доктор технических наук, профессор

Россия, Москва

Александр Андреевич Карандеев

Федеральный исследовательский центр «Институт прикладной математики им. М.В. Келдыша» РАН

Email: KarAlex755@gmail.com

научный сотрудник, кандидат технических наук

Россия, Москва

Алексей Евгеньевич Маслов

Федеральный исследовательский центр «Информатика и управление» РАН

Email: amaslov@frccsc.ru

научный сотрудник

Россия, Москва

Владимир Петрович Осипов

Федеральный исследовательский центр «Институт прикладной математики им. М.В. Келдыша» РАН

Email: osipov@keldysh.ru

ведущий научный сотрудник, кандидат технических наук

Россия, Москва

Никита Юрьевич Апальков

Российский экономический университет имени Г. В. Плеханова

Email: nikita_apalkov@mail.ru

студент

Россия, Москва

Список литературы

  1. Yue X., Lyu B., Li H., Meng L., Furumoto K. Real-time medicine packet recognition system in dispensing medicines for the elderly // Measurement: Sensors. 2021.
  2. Mahami H., Ghassemi N., Darbandy M. T., Shoeibi A., Hussain S., Nasirzadeh F., Alizadehsani R., Nahavandi D., Khosravi A., Nahavandi S. Material Recognition for Automated Progress Monitoring using Deep Learning Methods // Computer Vision and Pattern Recognition. 2021.
  3. Rinne M., Bagheri M., Tolvanen T., Hollmén J. Automatic Recognition of Public Transport Trips from Mobile Device Sensor Data and Transport Infrastructure Information // International Workshop on Personal Analytics and Privacy. 2017.
  4. Shadiev R., Zhang Z. H., Wu T.-T., Huang Y.M. Review of Studies on Recognition Technologies and Their Applications Used to Assist Learning and Instruction // Educational Technology & Society. 2020. № 4. pp 59-74.
  5. Waelen R.A. The struggle for recognition in the age of facial recognition technology // AI and Ethics. 2023. № 3. рp 215–222.
  6. Солем Я. Э., Программирование компьютерного зрения на языке Phython/ М.ДМК Пресс, 2016. – 312 с.
  7. Селянкин В.В. Компьютерное зрение. Анализ и обработка изображений – Санкт Петербург: Лань, 2021.152 с.
  8. Papastratis I., Dimitropoulos K., Daras P. Continuous Sign Language Recognition through a Context-Aware Generative Adversarial Network // Sensors. 2021. № 7. 2437.
  9. Sun Z., Ke Q., Rahmani H., Bennamoun M., Wang G., Liu J. Human Action Recognition from Various Data Modalities: A Review // IEEE transactions on pattern analysis and machine intelligence. 2022.
  10. Lui X., Deng Z., Yang Y. Recent progress in semantic image segmentation // Artificial Intelligence Review. 2018. № 2. pp 1089-1106.
  11. Уорр Кэти, Надежность нейронных сетей: укрепляем устойчивость ИИ к обману. — СПб.: Питер, 2021. — 272 с.
  12. Geirhos R. et al. ImageNet-Trained CNNs Are Biased Towards Texture; Increasing Shape Bias Improves Accuracy and Robustness, 2019.
  13. Harris C. G., Stephens M. J. A Combined Corner and Edge Detector // Alvey Vision Conference. 1988.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML


Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).