WWW.LI.I-DOCX.RU
БЕСПЛАТНАЯ  ИНТЕРНЕТ  БИБЛИОТЕКА - Различные ресурсы
 

«Тезисы доклада НАЗВАНИЕ ДОКЛАДА: Применение нейронных сетей для автоматизации определения численности лосей на основе аэрофотосъемки Application ...»

Тезисы доклада

НАЗВАНИЕ ДОКЛАДА:

Применение нейронных сетей для автоматизации определения численности лосей на основе аэрофотосъемки

Application of neural networks for automatic animals counting on aerial images

АВТОРЫ:

Рогов А. А., Талбонен А. Н., Тимонин А. О., Калинин А. В.

Rogov A.A. Talbonen A. N., Timonin A. O., Kalinin A. V.

ОРГАНИЗАЦИЯ (полное наименование, без аббревиатур):

Петрозаводский государственный университет

Petrozavodsk State University

ГОРОД:

Петрозаводск

PetrozavodskТЕЛЕФОН:

78-51-40, 71-10-40

ФАКС:

71-10-00

E-MAIL:

rogov@psu.karelia.ru, antal@sampo.ru, timonin@cs.karelia.ru, kalinin@cs.karelia.ru

АННОТАЦИЯ:

В статье рассматривается комбинированный метод автоматического поиска и классификации объектов на изображениях полученных методом аэрофотосъемки.

Совместное использование алгоритма Виолы-Джонса и сверточной нейронной сети показывает высокие значения полноты и точности. Описанный метод обладает высокой скоростью поиска объектов и может применяться для различных типов изображений.

The paper describes the combined method of automatic detection and classification objects on aerial images. It consists of Viola-Jones algorithm and convolutional neural network. This method performs high results of precision and recall. The proposed approach has a low execution time and can be applied in different conditions.

КЛЮЧЕВЫЕ СЛОВА:

Аэрофотосъемка, обработка изображений, поиск объектов на изображениях, распознавание образов, нейронные сети

Aerial photography, image processing, search for objects in images, pattern recognition, neural network

10. ТЕКСТ ТЕЗИСОВ ДОКЛАДА:

Введение

Экологический мониторинг с помощью аэрофотосъемки актуален многих объектов фауны, следовательно наиболее перспективными являются методы автоматической (автоматизированной) обработки аэрофотоснимков с использованием универсальных алгоритмов, что в перспективе позволит настраивать один и тот же алгоритм под разные целевые объекты (лоси, сайгаки и др.) и условия съемки (заснеженные леса, степи и др.). Объектом исследования стали снимки, полученные от компании ООО «ФИНКО» г. Ижевска, сделанные для мониторинга численности лосей на территории одного из районов Орловской области в зимний период. Фотографии имеют разрешение 4000х3000 пикселей. Пример фрагмента (300x400 пикселей) такого снимка приведен на рис. 1.

Рисунок 1. Пример искомых объектов.

В данной статье рассматриваются наиболее предпочтительные методы и подходы к решению задачи автоматизации контроля численности целевых объектов и приводится их сравнение [1].

Методы. Возможные подходы.

При поиске небольших по размеру объектов наиболее предпочтительным являются методы обнаружения, основанные на обработке скользящего окна. Исходя из выше описанных требований были рассмотрены следующие алгоритмы:

Алгоритм Виолы-Джонса[2], представляющий собой детектор Хаара, работающий в скользящем окне (haar);

Сверточные нейронные сети[3] (cnn);

Локальные бинарные шаблоны[4] (lbp).

Были разработаны классификаторы с использованием данных методов, описание которых представлено с следующих разделах.





В данной работе полнота (recall) вычисляется как отношение найденных релевантных документов к общему количеству релевантных документов. Полнота характеризует способность системы находить нужные пользователю объекты, но не учитывает количество нерелевантных объектов, выдаваемых пользователю. Точность (precision) вычисляется как отношение найденных релевантных объектов к общему количеству найденных документов. Точность характеризует способность системы выдавать в списке результатов только релевантные объекты [5].

Алгорит Виолы-Джонса

Алгоритм Виолы-Джонса показал наилучшие результаты полноты, поэтому было решено использовать его в качестве основного метода поиска объектов на изображении. Метод Виолы-Джонса - алгоритм, позволяющий обнаруживать объекты на изображениях в реальном времени, в связи с этим алгоритм обладает высоким быстродействием. Его обычно применяют для обнаружения лиц людей на изображениях, но так же используется для обнаружения любых объектов. Основной проблемой при использовании этого алгоритма является сложный и затратный процесс обучения: требуется указать большое количество релевантных и нерелевантных изображений. С учетом того, что в нашем случае объектами поиска являлись лоси, которые редко встречались на изображениях, требовалось сформировать выборку из исходной коллекции 640 релевантных и 9800 нерелевантных объектов.

В данной работе используется реализация алгоритма обучения каскада Хаара из библиотеки компьютерного зрения с открытым исходным кодом OpenCV [6].

В качестве параметров были использованы различные комбинации значений, наилучшие результаты с точки зрения полноты показала первая группа параметров (haar-1): scaleFactor = 1,3 и minNeighbors = 4. Вторая группа параметров (haar-2): scaleFactor = 1,1 и minNeighbors = 3 показала наилучший результат относительно точности.

Сверточная нейронная сеть.

Сверточная нейронная сеть (СНС) – специальная архитектура искусственных нейронных сетей, нацеленная на эффективное распознавание изображений. СНС широко применяются для классификации изображений и показывают наилучшие результаты среди других алгоритмов классификации.

В данном исследовании для работы со СНС была использована библиотека Caffe [7], которая является бесплатной и поставляется с открытым исходным программным кодом. Она предоставляет набор утилит для формирования и подготовки обучающей выборки, а так же утилиту для обучения СНС.

Описание конфигурации сверточной нейронной сети и настройка процесса обучения производится с помощью конфигурационных файлов, которые представляет собой текстовое описание настроек. Для обучения СНС было подготовлено множество из 640 релевантных объектов и 640 нерелевантных.

За основу конфигурации сверточной нейронной сети была взята структура сети CIFAR-10 [8]. Выходной слой был настроен так, что соответствовал искомым классам изображения (0 – нерелевантный объект, 1 – релевантный объект). Полученная сверточная нейронная сеть была использована для классификации объектов полученных с помощью метода Виолы–Джонса.

Комбинированный метод

На первом этапе комбинированного метода, изображения из коллекции подаются на вход детектора. Для достижения наилучших показателеи используется алгоритм обнаружения с параметрами, соответствующими результатам с наибольшеи полнотои. В результате работы этого алгоритма получается набор наиденных объектов, среди которых могут быть релевантные и нерелевантные объекты. На втором этапе наиденные объекты подаются на вход классификатора, задачеи которого является сортировка объектов (требуется оставить релевантные объекты и отбросить нерелевантные). Таким образом удается повысить точность поиска целевых объектов.

В таблице 1 представлены результаты работы комбинированного алгоритма с использованием нескольких методов. На всех фотографиях общее количество лосеи равно 30. Количество аэрофотоснимков — 1000.

Обозначение НаиденоРелевантных Точность Полнота F-мера

haar-1 50 22 0,44 0,917 0,595

haar-2 340 23 0,068 0,958 0,126

haar-1 + lbp42 19 0,45 0,79 0,573

haar-2 + lbp283 20 0,07 0,83 0,129

haar-1 + cnn30 21 0,7 0,88 0,778

haar-2 + cnn83 21 0,25 0,88 0,393

таблица 1. Результаты

Заключение.

Таким образом были получены следующие результаты с учетом всех методов фильтрации: точность - 70%, полнота - 88%. Полученный комбинированных метод, состоит из нескольких уже известных способов поиска объектов на изображении: алгоритм Виолы-Джонса и сверточные нейронные сети.

На данный момент теоретические и практические исследования в указанных направлениях продолжаются. В частности будут исследованы дополнительные методы фильтрации для достижения большей точности.

*Работа выполняется при финансовой поддержке Программы стратегического развития ПетрГУ в рамках реализации комплекса мероприятий по развитию научно-исследовательской деятельности.

Литература

Талбонен А.Н., Рогов А.А., Калинин А.В., Тимонин А.О., Автоматизация контроля численности целевых объектов фауны с помощью аэрофотосъемки. Фундаментальные исследования. 2015. № 6-2. С. 291-295.

Viola P., Jones M. Robust Real-time Object Detection // Second International Workshop on Statistical and Computational Theories of Vision – Modelling, Learning, Computing and Sampling. – Vancouver, Canada, 2001.

T. Ojala, M. Pietik ainen, D. Harwood A Comparative Study of Texture Measures with Classification Based on Feature Distributions // Pattern Recognition, vol. 29, 1996, pp. 51-59

Le Cun B. B., Denker J. S., Henderson D., Howard R. E., Hubbard W., Jackel L.D. Handwritten digit recognition with a back-propagation network // Advances in neuralinformation processing systems, 1990, pp. 396-404.

М. Агеев, И. Кураленок, И.Некрестьянов Официальные метрики РОМИП 2009 — Режим доступа: http://romip.ru/romip2009/20_appendix_a_metrics.pdfOpenCV [электронный ресурс] URL: http://opencv.org/ Загл. с экрана. Яз. англ.

Jia, Yangqing and Shelhamer, Evan and Donahue, Jeff and Karayev, Sergey and Long, Jonathan and Girshick, Ross and Guadarrama, Sergio and Darrell, Trevor Caffe: Convolutional Architecture for Fast Feature Embedding // arXiv preprint arXiv:1408.5093, 2014

CIFAR-10 and CIFAR-100 datasets [электронный ресурс] URL: http://www.cs.toronto.edu/ kriz/cifar.html Загл. с экрана. Яз. англ.


Похожие работы:

«ПОЛОЖЕНИЕ о проведении республиканского конкурса методической литературы и педагогического опыта в помощь организаторам туристско-краеведческой работы с детьми и молодежью С 03 января по 03 марта 2017 года учреждением образов...»

«Авторы: к.х.н. доц. кафедры органической, биологической и физколлоидной химии Летичевская Наталья Николаевна. к.х.н., доц. кафедры органической биологической и физколлоидной химии Стороженко Валентина Николаевна Методические указания рассмотрены и одобрены на заседании кафе...»

«ЛЕКЦИЯ 7 Дробление Общая характеристика процесса дробления.1.Особенности митотических циклов в процессе дробления.2. Правила дробления Гертвига-Сакса.3. Полное (голобластическое), частичное (меробластическое) дробле...»

«Карагяур Максим НиколаевичВЛИЯНИЕ МЕЗЕНХИМАЛЬНЫХ СТВОЛОВЫХ КЛЕТОК НА ВОССТАНОВЛЕНИЕ ПЕРИФЕРИЧЕСКОГО НЕРВА ПОСЛЕ ТРАВМЫ 03.01.04 – Биохимия 03.03.04 – Клеточная биология, цитология, гистология Автореферат диссертации на соискание ученой...»

«Санатова Т. С., Амренова А.Ж. Алматинский университет энергетики и связи, г.АлматыАнализ состояния теории и практики оценки вредного воздействия парниковых газов В данной статье представлен анализ состоян...»

«МИНИСТЕРСТВО ЗДРАВООХРАНЕНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИОБЩАЯ ФАРМАКОПЕЙНАЯ СТАТЬЯ Потеря в массеОФС при высушиванииВзамен ст. ГФ XI Настоящая общая фармакопейная статья предназначена для определения потери в массе при высушивании в лекарственн...»

«Теории гибели западной цивилизации 17145157480Теории гибели западной цивилизации теории, утверждавшие или утверждающие, что вечное существование западной цивилизации невозможно и она обречена на закономерную гибель. Вывод о неизбежности краха политической, экономической и культурной системы западных стран, делается...»

«Строение и функции костей. Соединение костей скелета человека. Предмет: биология Тема: Строение и функции костей. Соединение костей скелета человека. Место урока в теме: первый урок в разделе опорно-двигательной системы Тип уро...»

«Министерство образования Республики Беларусь Учреждение образования "Белорусский государственный университет информатики и радиоэлектроники" Кафедра экологии И. И. Кирвель, М. М. Бражников, Е. Н. ЗацепинЭНЕРГОСБЕРЕЖЕНИЕ В ПРОЦЕССАХ ТЕПЛООБМЕНА Методическое пособие для практических занятий по дисциплине "Осно...»

«2. Участники конкурса Участниками Конкурса являются обучающиеся образовательных организаций общего и дополнительного образования, в том числе дети-инвалиды и обучающиеся с ограниченными возможностями здоровья, в возрасте от...»










 
2017 www.li.i-docx.ru - «Бесплатная электронная библиотека - различные ресурсы»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.