Распознавание изображений с помощью искусственного интеллекта
DOI:
https://doi.org/10.47813/2782-2818-2023-3-4-0311-0321Ключевые слова:
распознавание изображений, компьютерное зрение, кривые обучения, искусственный интеллект, сверточные сети, машинное обучениеАннотация
В статье ставится задача рассмотрения процесса распознавания изображений с помощью сверточных нейронных сетей. Распознавание изображений — это ключевой компонент компьютерного зрения, который наделяет систему способностью распознавать и понимать объекты, места, людей, язык и поведение на цифровых изображениях. Системы с поддержкой компьютерного зрения используют алгоритмы распознавания изображений на основе данных для обслуживания широкого спектра приложений. В работе проведен анализ структуры рынка применения самых распространённых биометрических технологий в разных сферах бизнеса на отечественном рынке, а также сравнение с мировым рынком. Задача включает в себя рассмотрения сложностей, с которыми сталкивается машина при получении изображения для обработки, которые возможно отследить с помощью кривых обучения. Кривые обучения - отличный диагностический инструмент для определения смещения и дисперсии в контролируемом алгоритме машинного обучения. Поэтому понимание природы ошибок в обучении искусственного интеллекта в процессе распознавания изображений является необходимым знанием в современном мир, так как оно помогает избежать этапа повторного переобучения выборки.
Библиографические ссылки
Шленова Н.В. Исследование российского рынка биометрических технологий. 2018-2022. https://www.vocord.ru/upload/iblock/e16/e168021a538ba2b29180ad1287c9934c. pdf. (дата обращения: 27.10.2023).
Стефанова Н. Л., Кочуренко Н. В., Снегурова В. И., Елисеева О. В. Основы математической обработки информации: учебник и практикум для вузов. Под общей редакцией Н. Л. Стефановой. Москва: Издательство Юрайт; 2023 (дата обращения: 27.10.2023).
Ростовцев В.С., Черемисинова О.Н. Распознавание изображений на базе сверточной нейронной сети. Св-во регистрации программы для ЭВМ № 2019660145 от 31.07.2019.
Прокопеня А. С., Азаров И. С. Современные методы распознавания изображений. BIG DATA and Advanced Analytics = BIG DATA и анализ высокого уровня : сборник материалов V Международной научно-практической конференции, Минск, 13–14 марта 2019 г. В 2 ч. Ч. 1. Белорусский государственный университет информатики и радиоэлектроники; редкол.: В. А. Богуш [и др.]. Минск; 2019. С. 351 – 359.
Real estate valuation data set Datebase. https://archive.ics.uci.edu/dataset/477/ real+estate+valuation+data+set (дата обращения: 27.10.2023)
Fang C., Aronov D., Abbott L. F., Mackevicius E. L. Neural learning rules for generating flexible predictions and computing the successor representation. Zuckerman Institute, Department of Neuroscience, Columbia University, United States; Basis Research Institute, United States https://doi.org/10.7554/eLife.80680
Wiriyathammabhum P., Summers Stay D., Fermüller C., Aloimonos Y. Computer Vision and Natural Language Processing: Recent Approaches in Multimedia and Robotics. ACM Computing Surveys. 2016; 49:1-44. https://doi.org/10.1145/3009906
Voulodimos A., Doulamis N., Doulamis A. Computational Intelligence and Neuroscience. 2018; 2018:1-13. https://doi.org/10.1155/2018/7068349
REFERENCES
Shlenova N.V. Issledovanie rossijskogo rynka biometricheskih tehnologij. 2018-2022. https://www.vocord.ru/upload/iblock/e16/e168021a538ba2b29180ad1287c9934c. pdf. (data obrashhenija: 27.10.2023).
Stefanova N. L., Kochurenko N. V., Snegurova V. I., Eliseeva O. V. Osnovy matematicheskoj obrabotki informacii: uchebnik i praktikum dlja vuzov. Pod obshhej redakciej N. L. Stefanovoj. Moskva: Izdatel'stvo Jurajt; 2023 (data obrashhenija: 27.10.2023).
Rostovcev V.S., Cheremisinova O.N. Raspoznavanie izobrazhenij na baze svertochnoj nejronnoj seti. Sv-vo registracii programmy dlja JeVM № 2019660145 ot 31.07.2019.
Prokopenja A. S., Azarov I. S. Sovremennye metody raspoznavanija izobrazhenij. BIG DATA and Advanced Analytics = BIG DATA i analiz vysokogo urovnja : sbornik materialov V Mezhdunarodnoj nauchno-prakticheskoj konferencii, Minsk, 13–14 marta 2019 g. V 2 ch. Ch. 1. Belorusskij gosudarstvennyj universitet informatiki i radiojelektroniki; redkol.: V. A. Bogush [i dr.]. Minsk; 2019. S. 351 – 359.
Real estate valuation data set Datebase. https://archive.ics.uci.edu/dataset/477/ real+estate+valuation+data+set (data obrashhenija: 27.10.2023)
Fang C., Aronov D., Abbott L. F., Mackevicius E. L. Neural learning rules for generating flexible predictions and computing the successor representation. Zuckerman Institute, Department of Neuroscience, Columbia University, United States; Basis Research Institute, United States. https://doi.org/10.7554/eLife.80680 DOI: https://doi.org/10.7554/eLife.80680
Wiriyathammabhum P., Summers Stay D., Fermüller C., Aloimonos Y. Computer Vision and Natural Language Processing: Recent Approaches in Multimedia and Robotics. ACM Computing Surveys. 2016; 49:1-44. https://doi.org/10.1145/3009906 DOI: https://doi.org/10.1145/3009906
Voulodimos A., Doulamis N., Doulamis A. Computational Intelligence and Neuroscience. 2018; 2018:1-13. https://doi.org/10.1155/2018/7068349 DOI: https://doi.org/10.1155/2018/7068349
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2023 Е. В. Хроль, К. С. Шаронова
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Журнал MIST - «Modern Innovations, Systems and Technologies» / «Современные инновации, системы и технологии» публикует материалы на условиях лицензии CreativeCommons Attribution 4.0 International (CC BY 4.0), размещенной на официальном сайте некоммерческой корпорации Creative Commons: 
This work is licensed under a Creative Commons Attribution 4.0 International License.
Это означает, что пользователи могут копировать и распространять материалы на любом носителе и в любом формате, адаптировать и преобразовывать тексты, использовать контент для любых целей, в том числе коммерческих. При этом должны соблюдаться условия использования — указание автора оригинального произведения и источника: следует указывать выходные данные статей, предоставлять ссылку на источник, а также указывать, какие изменения были внесены.
