Перейти до вмісту
Наукові вісті КПІ
ISSN 2617-5509 · e‑ISSN 2663-7472 Відкритий доступ · CC BY 4.0
Т. · № 1 · 2019 лют 21, 2019 статті

НАБІР ДАНИХ НЕСКІНЧЕННОГО МАСШТАБУВАННЯ ІЗ ЗОБРАЖЕНЬ У ГРАДАЦІЯХ СІРОГО З ОДНИМ БАГА¬ТО-КУТНИКОМ ЯК ШВИДКА ТЕСТОВА ПЛАТФОРМА ДЛЯ СЕМАНТИЧНОЇ СЕГМЕНТАЦІЇ ЗОБРАЖЕНЬ

VR
Vadim V. Romanuke Відповідальний Polish Naval Academy, Poland Україна
Опублікованолют 21, 2019
PDF
НВКПІ 1 ТОМ · 1
ТОМ · № 1 · 2019 Переглянути випуск

Анотація

Проблематика. Кожна нова задача семантичної сегментації зображень вимагає тонкої настройки архітектури мережі сегментації, яку дуже важко виконати на зображеннях високої роздільної здатності, що можуть містити багато категорій і залучати величезні обчислювальні ресурси. Таким чином, питання полягає в тому, чи можна набагато швидше протестувати архітектури мереж сегментації, щоб знайти оптимальні рішення, які могли б бути застосовані до реальних завдань семантичної сегментації зображень. Мета дослідження. Стаття присвячена розробці набору даних із нескінченним масштабуванням, який міг би слугувати тестовою платформою для семантичної сегментації зображень. Набір даних буде містити будь-яку кількість записів будь-якого розміру, необхідного для тестування. Методика реалізації. Новий штучний набір даних проектується для семантичної сегментації зображень. Цей набір даних являє собою зображення в градаціях сірого з білим тлом. Багатокутний об’єкт випадковим чином розміщується на тлі. Ребра багатокутника – чорні, а тіло багатокутника – прозоре. Таким чином, зображення набору даних являє собою набір ребер опуклого багатокутника на білому тлі. Край багатокутника має товщину в один піксель, але перехід між білим тлом і чорними краями багатокутника включає сірі пікселі в околиці однопіксельних країв. Такий шум є наслідком процесу перетворення формату файлу зображення. Кількість ребер багатокутника генерується випадковим чином для кожного наступного зображення. Розмір багатокутника і положення його центра мас щодо полів зображення також рандомізовані. Результати дослідження. Модельний набір даних будь-якого обсягу і розміру зображення може бути згенерований “з нуля”. Крім того, генератор наборів даних автоматично категоризує пікселі для класів “background” і “polygon”. Такий набір даних не потребує збільшення. Зрештою, цей набір даних можна нескінченно масштабувати, і він буде слугувати платформою швидкого тестування для архітектур мереж сегментації. Висновки. Розглянуті приклади використання набору даних із багатокутників підтверджують його придатність і здатність навчених мереж успішно сегментувати комплекти об’єктів. Крім того, виявляється критерій ранньої зупинки на основі сегментації порожнього зображення.

Ключові слова

#Семантична сегментація зображень #Набір даних #Багатокутний об’єкт #Прозоре тло #Збільшення #Архітектура мережі сегментації #Сегментація порожнього зображення

Посилання

  1. H.-J. He et al. , “Image segmentation techniques”, in Computer Vision Technology for Food Quality Evaluation , 2nd ed., D.-W. Sun, Ed. San Diego: Academic Press, 2016, pp. 45–63. doi: 10.1016/B978-0-12-802232-0.00002-5
  2. J. Rogowska, “Overview and fundamentals of medical image segmentation”, in Handbook of Medical Image Processing and Analysis , 2nd ed., I.N. Bankman, Ed. San Diego: Academic Press, 2009, pp. 73–90. doi: 10.1016/B978-012373904-9.50013-1
  3. J.-T. Chien, “Deep neural network”, in Source Separation and Machine Learning , J.-T. Chien, Ed. Academic Press, 2019, pp. 259–320. doi: 10.1016/B978-0-12-804566-4.00019-X
  4. V. Badrinarayanan et al. , “SegNet: A deep convolutional encoder-decoder architecture for image segmentation”, IEEE Trans. Pattern Anal. Mach. Intell. , vol. 39, iss. 12, pp. 2481–2495, 2017. doi: 10.1109/TPAMI.2016.2644615
  5. V.V. Romanuke, “Smooth non-increasing square spatial extents of filters in convolutional layers of CNNs for image classifica­tion problems”, Appl. Comp. Syst. , vol. 23, pp. 52–62, 2018. doi: 10.2478/acss-2018-0007
  6. V.V. Romanuke, “Appropriate number and allocation of ReLUs in convolutional neural networks”, Naukovi Visti NTUU KPI , no. 1, pp. 69–78, 2017. doi: 10.20535/1810-0546.2017.1.88156
  7. F.C. Pereira and S.S. Borysov, “Machine learning fundamentals”, in Mobility Patterns, Big Data and Transport Analytics , C. Antoniou et al. , eds. Elsevier, 2019, pp. 9–29. doi: 10.1016/B978-0-12-812970-8.00002-6
  8. V.V. Romanuke, “An attempt of finding an appropriate number of convolutional layers in CNNs based on benchmarks of heterogeneous datasets”, Electrical, Control and Communication Engineering , vol. 14, pp. 51–57, 2018. doi: 10.2478/ecce-2018-0006
  9. V.V. Romanuke, “Appropriate number of standard 2´2 max pooling layers and their allocation in convolutional neu­- ral networks for diverse and heterogeneous datasets”, Inform. Technol. Manag. Sci. , vol. 20, pp. 12–19, 2017. doi: 10.1515/itms-2017-0002
  10. V.V. Romanuke, “Appropriateness of DropOut layers and allocation of their 0.5 rates across convolutional neural networks for CIFAR-10, EEACL26, and NORB datasets”, Appl. Comp. Syst. , vol. 22, pp. 54–63, 2017. doi: 10.1515/acss-2017-0018
  11. J.-J. Lv et al. , “Data augmentation for face recognition”, Neurocomputing , vol. 230, pp. 184–196, 2017. doi: 10.1016/j.neucom.2016.12.025
  12. D. Avis et al. , “Simple on-line algorithms for convex polygons”, in Machine Intelligence and Pattern Recognition , vol. 2, G.T. Toussaint, Ed. North-Holland, 1985, pp. 23–42. doi: 10.1016/B978-0-444-87806-9.50007-4
  13. E. Horowitz and M. Papa, “Polygon clipping: Analysis and experiences”, in Theoretical Studies in Computer Science , J.D. Ul­lman, Ed. Academic Press, 1992, pp. 315–339. doi: 10.1016/B978-0-12-708240-0.50016-2
  14. R.L. Bowman, “Evaluating pseudo-random number generators”, in Chaos and Fractals , C.A. Pickover, Ed. Elsevier Science, 1998, pp. 133–142. doi: 10.1016/B978-044450002-1/50023-0
  15. T. Bradley et al. , “Parallelization techniques for random number generators”, in GPU Computing Gems Emerald Edition. Applications of GPU Computing Series , W.W. Hwu, Ed. Morgan Kaufmann, 2011, pp. 231–246. doi: 10.1016/B978-0-12-384988-5.00016-4
  16. J. Jackman, “The basics of how compositing works”, in Bluescreen Compositing , J. Jackman, Ed. Oxford, UK: Focal Press, 2007, pp. 231–246. doi: 10.1016/B978-1-57820-283-6.50004-8
  17. T. Praczyk, “A quick algorithm for horizon line detection in marine images”, J. Marine Sci. Technol. , vol. 23, iss. 1, pp. 164–177, 2018. doi: 10.1007/s00773-017-0464-8
§ 06 — Пов'язані

Схожі статті в цьому журналі

Пов'язані рецензовані дослідження, опубліковані в цьому журналі.
Усі випуски

МОДИФІКАЦІЯ НЕЙРОМЕРЕЖЕВОГО МЕТОДУ SPINN ДЛЯ НАБЛИЖЕНОГО РОЗВ'ЯЗАННЯ МІШАНОЇ ЗАДАЧІ ДЛЯ РІВНЯННЯ ТЕПЛОПРОВІДНОСТІ В ЕЛІПТИЧНІЙ ОБЛАСТІ

Валерій Лось, Олександр Ряхін

Проблематика. Параболічні диференціальні рівняння є математичними моделями інженерії, призначеними для дослідження широкого кола прикладних задач. Це приводить до…

#рівняння теплопровідності #мішана параболічна задача #еліптична область #фізико-інформативна нейронна мережа
10.20535/kpisn.2026.3.367316

ДВОЕТАПНИЙ ПІДХІД ДО СЕГМЕНТАЦІЇ СУПУТНИКОВИХ ЗНІМКІВ ДЛЯ ОЦІНЮВАННЯ ПЛОЩІ АСФАЛЬТОВАНОГО ПОКРИТТЯ ПАРКОВОК

Олександр Гончарук, Надія Недашківська

Проблематика. Точна оцінка площі асфальтованих парковок є важливою для містобудування та екологічного моніторингу. Однак спектральна подібність асфальту паркувальних…

#семантична сегментація #супутникові знімки #паркінг #нейронна мережа
10.20535/kpisn.2026.3.367540

ФОРМАЛІЗАЦІЯ РОЗРІДЖЕНОГО ANP З БІНАРНИМИ ПОРІВНЯННЯМИ НА ОСНОВІ ДАНИХ У КОЛІ ОДНОРІДНИХ КОМПОНЕНТІВ ДЛЯ ПРІОРИТИЗАЦІЇ РОЗПОДІЛУ РЕСУРСІВ

Вадим Романюк

Проблематика. Задачі розподілу обмежених ресурсів між взаємозалежними однорідними об’єктами виникають у багатьох прикладних сферах — зокрема, під час конкурсного…

#розподіл ресурсів #однорідні компоненти #взаємозалежності #аналітичний мережевий процес
10.20535/kpisn.2026.3.368158

Статті цього автора (цих авторів), які найбільше читають

Схожі статті

1-10 з 73

Ви також можете розпочати розширений пошук схожих статей для цієї статті.