Побудова семантичної моделі зображення з використанням машинного навчання на базі згорткових нейронних мереж
У роботі описано основні напрямки досліджень у сфері побудови моделей автоматизації комп’ютерного розпізнавання сутності цифрового зображення. Введено поняття семантичної моделі зображення та описано реалізацію моделі машинного навчання для вирішення задачі автоматичної побудови такої моделі для вхі...
Gespeichert in:
| Veröffentlicht in: | Проблеми програмування |
|---|---|
| Datum: | 2020 |
| Hauptverfasser: | , , |
| Format: | Artikel |
| Sprache: | Ukrainian |
| Veröffentlicht: |
Інститут програмних систем НАН України
2020
|
| Schlagworte: | |
| Online Zugang: | https://nasplib.isofts.kiev.ua/handle/123456789/180481 |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| Назва журналу: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Zitieren: | Побудова семантичної моделі зображення з використанням машинного навчання на базі згорткових нейронних мереж / П.І. Андон, А.М. Глибовець, В.В. Куриляк // Проблеми програмування. — 2020. — № 2-3. — С. 352-361. — Бібліогр.: 16 назв. — укр. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| id |
nasplib_isofts_kiev_ua-123456789-180481 |
|---|---|
| record_format |
dspace |
| spelling |
Андон, П.І. Глибовець, А.М. Куриляк В.В. 2021-09-29T18:50:25Z 2021-09-29T18:50:25Z 2020 Побудова семантичної моделі зображення з використанням машинного навчання на базі згорткових нейронних мереж / П.І. Андон, А.М. Глибовець, В.В. Куриляк // Проблеми програмування. — 2020. — № 2-3. — С. 352-361. — Бібліогр.: 16 назв. — укр. DOI: https://doi.org/10.15407/pp2020.02-03.352 1727-4907 https://nasplib.isofts.kiev.ua/handle/123456789/180481 004.855 У роботі описано основні напрямки досліджень у сфері побудови моделей автоматизації комп’ютерного розпізнавання сутності цифрового зображення. Введено поняття семантичної моделі зображення та описано реалізацію моделі машинного навчання для вирішення задачі автоматичної побудови такої моделі для вхідного зображення. Семантична модель складається зі списку об’єктів, які показано на зображенні, та їх зв’язків. Розроблена модель була порівняна з іншими рішеннями для цієї самої проблеми і показала кращі результати в усіх, за винятком одного, випадків. Ефективність роботи моделі обґрунтована використанням останніх досягнень машинного навчання, зокрема ЗНМ, TL, моделей Faster R-CNN i VGG16. Значна частина зв’язків представлених на зображенні є просторовими зв’язками, таким чином, для кращої роботи моделі, потрібно використовувати цей факт у її проектуванні, що і було зроблено. В работе описаны основные направления исследований в области построения моделей автоматизации компьютерного распознавания сущности цифрового изображения. Введено понятие семантической модели изображения и описано реализацию модели машинного обучения для решения задачи автоматического построения такой модели для входного изображения. Семантическая модель состоит из списка объектов, которые показаны на изображении, и их связей. Разработанная модель была сравнена с другими решениями для этой самой проблемы и показала лучшие результаты во всех, за исключением одного, случаев. Эффективность работы модели обоснована использованием последних достижений машинного обучения, в частности СНС, TL, моделей Faster R-CNN i VGG16. Значительная часть связей представленных на изображении есть пространственными связями, таким образом, для лучшей работы модели, нужно использовать этот факт в ее проектировании, что и было сделано. This paper describes the main areas of research in the field of developing computer models for the automatization of digital image recognition. The concept of the semantic image model is introduced and the implementation of the machine learning model for solving the problem of automatic construction of such a model is described. The semantic model consists of a list of objects represented in the image and their relationships. The developed model was compared to other solutions and showed better results in all but one case. The performance of the model is justified by the use of the latest achievements of machine learning, including ZNM, TL, Faster R-CNN, and VGG16. Much of the links represented in the image are spatial links, so for the model to work better, you need to use that fact in designing it, which was done. uk Інститут програмних систем НАН України Проблеми програмування Методи машинного навчання Побудова семантичної моделі зображення з використанням машинного навчання на базі згорткових нейронних мереж Построение семантической модели изображения с использованием машинного обучения на базе згорткових нейронных сетей Developing a semantic image model using machine learning based on convolutional neural networks Article published earlier |
| institution |
Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| collection |
DSpace DC |
| title |
Побудова семантичної моделі зображення з використанням машинного навчання на базі згорткових нейронних мереж |
| spellingShingle |
Побудова семантичної моделі зображення з використанням машинного навчання на базі згорткових нейронних мереж Андон, П.І. Глибовець, А.М. Куриляк В.В. Методи машинного навчання |
| title_short |
Побудова семантичної моделі зображення з використанням машинного навчання на базі згорткових нейронних мереж |
| title_full |
Побудова семантичної моделі зображення з використанням машинного навчання на базі згорткових нейронних мереж |
| title_fullStr |
Побудова семантичної моделі зображення з використанням машинного навчання на базі згорткових нейронних мереж |
| title_full_unstemmed |
Побудова семантичної моделі зображення з використанням машинного навчання на базі згорткових нейронних мереж |
| title_sort |
побудова семантичної моделі зображення з використанням машинного навчання на базі згорткових нейронних мереж |
| author |
Андон, П.І. Глибовець, А.М. Куриляк В.В. |
| author_facet |
Андон, П.І. Глибовець, А.М. Куриляк В.В. |
| topic |
Методи машинного навчання |
| topic_facet |
Методи машинного навчання |
| publishDate |
2020 |
| language |
Ukrainian |
| container_title |
Проблеми програмування |
| publisher |
Інститут програмних систем НАН України |
| format |
Article |
| title_alt |
Построение семантической модели изображения с использованием машинного обучения на базе згорткових нейронных сетей Developing a semantic image model using machine learning based on convolutional neural networks |
| description |
У роботі описано основні напрямки досліджень у сфері побудови моделей автоматизації комп’ютерного розпізнавання сутності цифрового зображення. Введено поняття семантичної моделі зображення та описано реалізацію моделі машинного навчання для вирішення задачі автоматичної побудови такої моделі для вхідного зображення. Семантична модель складається зі списку об’єктів, які показано на зображенні, та їх зв’язків. Розроблена модель була порівняна з іншими рішеннями для цієї самої проблеми і показала кращі результати в усіх, за винятком одного, випадків. Ефективність роботи моделі обґрунтована використанням останніх досягнень машинного навчання, зокрема ЗНМ, TL, моделей Faster R-CNN i VGG16. Значна частина зв’язків представлених на зображенні є просторовими зв’язками, таким чином, для кращої роботи моделі, потрібно використовувати цей факт у її проектуванні, що і було зроблено.
В работе описаны основные направления исследований в области построения моделей автоматизации компьютерного распознавания сущности цифрового изображения. Введено понятие семантической модели изображения и описано реализацию модели машинного обучения для решения задачи автоматического построения такой модели для входного изображения. Семантическая модель состоит из списка объектов, которые показаны на изображении, и их связей. Разработанная модель была сравнена с другими решениями для этой самой проблемы и показала лучшие результаты во всех, за исключением одного, случаев. Эффективность работы модели обоснована использованием последних достижений машинного обучения, в частности СНС, TL, моделей Faster R-CNN i VGG16. Значительная часть связей представленных на изображении есть пространственными связями, таким образом, для лучшей работы модели, нужно использовать этот факт в ее проектировании, что и было сделано.
This paper describes the main areas of research in the field of developing computer models for the automatization of digital image recognition. The concept of the semantic image model is introduced and the implementation of the machine learning model for solving the problem of automatic construction of such a model is described. The semantic model consists of a list of objects represented in the image and their relationships. The developed model was compared to other solutions and showed better results in all but one case. The performance of the model is justified by the use of the latest achievements of machine learning, including ZNM, TL, Faster R-CNN, and VGG16. Much of the links represented in the image are spatial links, so for the model to work better, you need to use that fact in designing it, which was done.
|
| isbn |
DOI: https://doi.org/10.15407/pp2020.02-03.352 |
| issn |
1727-4907 |
| url |
https://nasplib.isofts.kiev.ua/handle/123456789/180481 |
| citation_txt |
Побудова семантичної моделі зображення з використанням машинного навчання на базі згорткових нейронних мереж / П.І. Андон, А.М. Глибовець, В.В. Куриляк // Проблеми програмування. — 2020. — № 2-3. — С. 352-361. — Бібліогр.: 16 назв. — укр. |
| work_keys_str_mv |
AT andonpí pobudovasemantičnoímodelízobražennâzvikoristannâmmašinnogonavčannânabazízgortkovihneironnihmerež AT glibovecʹam pobudovasemantičnoímodelízobražennâzvikoristannâmmašinnogonavčannânabazízgortkovihneironnihmerež AT kurilâkvv pobudovasemantičnoímodelízobražennâzvikoristannâmmašinnogonavčannânabazízgortkovihneironnihmerež AT andonpí postroeniesemantičeskoimodeliizobraženiâsispolʹzovaniemmašinnogoobučeniânabazezgortkovihneironnyhsetei AT glibovecʹam postroeniesemantičeskoimodeliizobraženiâsispolʹzovaniemmašinnogoobučeniânabazezgortkovihneironnyhsetei AT kurilâkvv postroeniesemantičeskoimodeliizobraženiâsispolʹzovaniemmašinnogoobučeniânabazezgortkovihneironnyhsetei AT andonpí developingasemanticimagemodelusingmachinelearningbasedonconvolutionalneuralnetworks AT glibovecʹam developingasemanticimagemodelusingmachinelearningbasedonconvolutionalneuralnetworks AT kurilâkvv developingasemanticimagemodelusingmachinelearningbasedonconvolutionalneuralnetworks |
| first_indexed |
2025-11-28T02:37:46Z |
| last_indexed |
2025-11-28T02:37:46Z |
| _version_ |
1850853230291976192 |