NAU Harvester System
Система розпізнавання зображень з нейромережевою архітектурою на основі технології глибинного навчання
Наукові журнали Національного Авіаційного Університету
View Archive Info| Field | Value | |
| Title |
Система розпізнавання зображень з нейромережевою архітектурою на основі технології глибинного навчання
Deep learning based image recognition system with neural network architecture. Система распознавания изображений с нейросетевой архитектурой на основе технологий глубинного обучения |
|
| Creator |
Холявкіна, Тетяна Володимирівна; Національний авіаційний університет, Київ, Україна
Резаєв, Ярослав Олегович; Національний авіаційний університет, Київ, Україна Харченко, Олексій Олексійович; Національний авіаційний університет, Київ, Україна |
|
| Subject |
Інформаційні технології, кібербезпека
машинне навчання; глибинне навчання; дані; розпізнавання зображень — Information Technology machine learning; deep learning; data; image recognition; perceptron — Информационные технологии машинное обучение; глубинное обучение; глубокое обучение; данные; распознавание изображений; перцептрон — |
|
| Description |
Машинне навчання дозволяє отримувати корисну інформацію з необроблених даних, щоб швидко та ефективно вирішувати складні, насичені даними задачі. Як підгалузь штучного інтелекту машинне навчання досліджує вивчення та побудову алгоритмів, які можуть формувати процес навчання та здійснювати прогнозування на основі даних, — такі алгоритми є значно ефективнішими методики використання строго статичних програмних інструкцій. Машинне навчання застосовують в ряді обчислювальних задач, в яких проектування та реалізація явних алгоритмів з належним рівнем продуктивності є складним або взагалі нездійсненним процесом. Глибинне навчання є галуззю машинного навчання, що ґрунтується на наборі алгоритмів, які моделюють високорівневі абстракції в даних, застосовуючи глибинний граф із декількома обробними шарами, що побудовано з кількох лінійних або нелінійних перетворень. Дослідження в цій області намагаються зробити кращі представлення та створити моделі для навчання цих представлень з великомасштабних немічених даних. Різні архітектури глибинного навчання, такі як глибинні нейронні мережі, конволюційні глибинні нейронні мережі, глибинні мережі переконань та рекурентні нейронні мережі застосовуються в таких областях, як комп'ютерне бачення, автоматичне розпізнавання мовлення, обробка природної мови, розпізнавання звуків та біоінформатика, де вони представляють передові результати в різноманітних задачах. Ця стаття охоплює поняття машинного навчання, глибинного навчання та розпізнавання зображень. Розглядається конкретний приклад (з поясненням кроків) використання глибинного навчання для побудови системи розпізнавання зображень з нейромережевою архітектурою. Отримана система надає широкі можливості для автоматизації технологічних процесів та підвищення їх ефективності. При цьому концепція системи може бути адаптована відповідно до типу нових задач
Machine learning allows us to obtain useful information from raw data for quick and efficient solving of complex data-intensive tasks. As a sub-sector of artificial intelligence, machine learning explores study and construction of algorithms that make data-based predictions and are capable of shaping the learning process accordingly - such algorithms are far more effective than the technique of using strictly static program instructions. Machine learning algorithms are used in a wide variety of computational tasks, where it is difficult or infeasible to design and implement an explicit algorithm with decent performance. Deep learning is a branch of machine learning, based on a set of algorithms that model high-level abstractions in data by applying a depth graph with multiple processing layers, built from several linear or non-linear transformations. Research in this area is aimed at getting better representations and creating models for training on these representations from large-scale unlabeled data. Deep learning architectures such as deep neural networks, convolutional deep neural networks, deep belief networks and recurrent neural networks have been applied to fields including computer vision, speech recognition, natural language processing, sound recognition, and bioinformatics where they have produced cutting-edge results in a variety of cases. This article covers the concepts of machine learning, deep learning and image recognition. A specific example (with step-by-step explanation) of using deep learning for building an image recognition system with a neural network architecture is given. The resulting system provides ample opportunities to automate the technological processes and increase their efficiency. The concept of the system can be adapted to the tasks of a new type. Машинное обучение позволяет получать полезную информацию из необработанных данных, чтобы быстро и эффективно решать сложные насыщенные данными задачи. Как подотрасль искусственного интеллекта машинное обучение исследует изучение и построение алгоритмов, которые могут формировать процесс обучения и осуществлять прогнозирование на основе данных, – такие алгоритмы значительно эффективнее методики использования строго статических программных инструкций. Машинное обучение применяют в ряде вычислительных задач, в которых проектирование и реализация явных алгоритмов с должным уровнем производительности затруднительно или полностью невыполнимый процесс. Глубинное обучение является отраслью машинного обучения, основанной на наборе алгоритмов, которые моделируют высокоуровневые абстракции в данных, применяя глубинный граф с несколькими обрабатывающими слоями, которые построены из нескольких линейных или нелинейных преобразований. Исследования в этой области направлены на получение лучших представлений и создание моделей для обучения на этих представлениях с крупномасштабных немеченых данных. Различные архитектуры глубинного обучения, такие как глубинные нейронные сети, свёрточные глубинные нейронные сети, глубинные сети доверия и рекуррентные нейронные сети применяются в таких областях, как компьютерное зрение, автоматическое распознавание речи, обработка естественного языка, распознавание звуков и биоинформатика, где они представляют передовые результаты в различных задачах. Эта статья охватывает понятие машинного обучения, глубинного обучения и распознавания изображений. Рассматривается конкретный пример (с объяснением шагов) использования глубинного обучения для построения системы распознавания изображений с нейросетевой архитектурой. Полученная система предоставляет широкие возможности для автоматизации технологических процессов и повышения их эффективности. При этом концепция системы может быть адаптирована в соответствии с типом новых задач. |
|
| Publisher |
National Aviation University
|
|
| Contributor |
—
— — |
|
| Date |
2020-04-30
|
|
| Type |
—
— — |
|
| Format |
application/pdf
|
|
| Identifier |
http://jrnl.nau.edu.ua/index.php/SBT/article/view/14572
10.18372/2310-5461.45.14572 |
|
| Source |
Наукоємні технології; Том 45, № 1 (2020); 54-66
Science-based technologies; Том 45, № 1 (2020); 54-66 Наукоемкие технологии; Том 45, № 1 (2020); 54-66 |
|
| Language |
uk
|
|