Search academic texts

Registration Number

0823U101091, PhD dissertation

Status

Доктор філософії

Date

01-12-2023

popup.evolution

o

Title

Information technology for graphic information recognition based on neural networks

Author

Karyna Khorolska,

popup.head Oleksandr Kharchenko
popup.opponent Mariia Nazarkevych
popup.opponent Mykola Kiktyev
popup.review Volodymyr Hamalii
popup.review Lidiia Vlasenko

Description

Дисертація є комплексним дослідженням з моделювання, розробки та застосування інформаційної технології розпізнавання графічної інформації на основі нейронної мережі. Актуальність теми дослідження обумовлюється факторами важливості розпізнавання графічної інформації, практичного застосування теоретичних основ розпізнавання графічної інформації на основі високоефективних рішень. На даному етапі розвитку практичного застосування теоретичних основ розпізнавання графічної інформації залишаються невирішеними проблеми: якісного виділення контурів; автоматизованого виділення об’єктів; варіабельності просторового розташування об’єктів та їх розпізнавання; практичного застосування методологічних розробок в розпізнаванні графічної інформації; якісної класифікації об’єктів розпізнавання. Розпізнавання візуальних образів є суттєвим компонентом автоматизованих та/або інтелектуальних систем управління та обробки інформації. Задачі, повʼязані з ідентифікацією і класифікацією обʼєктів та сигналів на основі обмеженого набору властивостей, є актуальними в галузях, таких як робототехніка, інформаційний пошук, моніторинг і аналіз візуальних даних, а також у дослідженнях штучного інтелекту. Алгоритмічна обробка та класифікація зображень застосовуються в системах безпеки, контролю доступу, віртуальній реальності та інформаційних пошукових системах. У звʼязку з розширенням використання систем віртуальної реальності та розвитком гейм індустрії, а також у звʼязку з тим, що створення тривимірних моделей передбачає попереднє перетворення двовимірних зображень, виникає питання про необхідність ефективного процесу перетворення 2D зображень у 3D моделі. Чималу роль у вирішенні зазначених проблем набуває створення програмних комплексів і математичного апарату, заснованих на застосуванні нейронних мереж, експертних систем і кібернетики. Особлива увага приділена штучним нейронним мережам (або просто нейронним мережам) – обчислювальним системам, що вчаться на даних спостережень за допомогою процесу оптимізації, коли параметри моделі ітеративно коригуються, щоб мінімізувати різницю між прогнозованим результатом і фактичним результатом. Нейронні мережі, і, зокрема, згорткові нейронні мережі (CNN- convolutional neural network), широко визнані своєю ефективністю в аналізі візуальних зображень. CNN – це клас моделей глибокого навчання, спеціально обладнаних для моделей глибокого навчання, спеціально обладнані для обробки 2D-зображень. Вони складаються з кількох шарів невеликих нейронних колекцій, що обробляють частини вхідного зображення, які називаються рецептивними полями. Результати цих колекцій потім розміщуються так, щоб вони накладалися один на одного для кращого представлення вихідного зображення, що є ключовою особливістю CNN. Крім того, вони інваріантні до перекладу, тобто вони мають здатність ідентифікувати об’єкт як однаковий, коли він з’являється в різних поданнях. Ці функції надають CNN здатність фіксувати складні шаблони в просторовій і часовій областях - аспект, який є ключовим у завданні 3D-реконструкції з 2D-зображень. Штучні нейронні мережі також мають перевагу в обробці зашумлених, неповних або неоднозначних даних - сценарій, який зазвичай зустрічається в задачах обробки зображень. Вони здатні витягувати значущі характеристики навіть із недосконалих даних (зашумлення, пропуски, дублікати, протиріччя), забезпечуючи таким чином надійність роботи моделі. На додаток до цього, нейронні мережі, а точніше CNN, мають здатність розпізнавати ієрархічні шаблони в даних. Наприклад, у завданнях обробки зображень вони можуть ідентифікувати краї та градієнти кольорів на нижчому рівні, а форми чи частини об’єкта – на вищому рівні. Ця функціональність має першочергове значення в таких завданнях, як 3D-реконструкція, які вимагають, щоб модель виявляла високорівневі особливості та зв’язки у 2D-зображеннях. Практична значимість наукових результатів. Спроєктована в роботі засобами CASE-технології ERwin інформаційна технологія розпізнавання графічної інформації на основі нейронної мережі, розпізнавання креслень та трансформації з визначеними зовнішніми впливами на неї та взаємодії процесів всередині системи дає можливість програмно реалізувати програмні застосунки для розв’язання завдань розпізнавання графічної інформації на основі нейронної мережі та перетворення інформаційних масивів із двовекторного простору у тривекторний. Розроблені алгоритми та архітектура програмного додатку, які базуються на створеній моделі класифікатора графічних зображень на основі покриттів класів та ЕК примітивів для підвищення ефективності навчання CNN, дозволяють в 1,5-2 рази зменшити обчислювальні витрати на навчання CNN та до 2 разів зменшити сумарну похибку навчання CNN, що забезпечує зменшення ресурсоємності та похибки розпізнавання графічної інформації на основі нейронної мережі та перетворення інформаційних масивів із двовекторного простору у тривекторний.

Registration Date

2023-11-02

popup.nrat_date

2023-12-06