РОЗРОБКА МОДЕЛІ НАВЧАННЯ РОЗПІЗНАВАННЯ ОБ’ЄКТІВ ІЗ ВІДЕОПОТОКУ ДЛЯ СИСТЕМ УПРАВЛІННЯ ПАРКУВАННЯМ

  • Д. К. Марчук
Ключові слова: нейронна мережа, Mask R-CNN, адаптивна нейро-нечітка мережа, навчання, трансферне навчання.

Анотація

Сучасна необхідність для майже всіх великих міст – це наявність системи управління паркуванням, яка може знаходити доступні місця для паркування. Така система дозволяє користувачам легко й оперативно визначати, чи є вільне місце на конкретній парковці, й отримувати інформацію про його місцерозташування. Mask R-CNN – це модель глибокого навчання, яка може використовуватися для розпізнавання та сегментації об’єктів на зображеннях. Її можна використовувати для створення системи розпізнавання вільних паркувальних місць, яка може допомогти водіям знайти місце для паркування. Процес навчання може розглядатися як визначення архітектури мережі, налаштування вагових коефіцієнтів або застосуванням різних методів донавчання для ефективного виконання поставленої задачі. У роботі досліджено трансферне навчання для моделі Mask R-CNN. Було запропоновано модель трансферного навчання для розпізнавання вільних місць для паркування. Модель складається із трьох етапів. Перший етап – це навчання на великому наборі даних СОСО. Навчання на великому наборі даних дозволяє моделі узагальнювати візуальні особливості транспортних засобів і паркувальних місць. Другій етап – це донавчання на маленькому наборі даних, створеному з кадрів відеопотоку. Донавчання на малому наборі даних дозволяє моделі адаптуватися до специфіки паркувальних місць у конкретному місті. Третій етап – це донавчання з використанням адаптивної нейро-нечіткої мережі. Цей етап використовує адаптивну нейро-нечітку мережу для доопрацювання базових характеристик. Загальна модель навчання дає змогу ефективно розпізнавати вільні місця на парковці. Використання трансферного навчання робить цю модель більш ефективною та продуктивною. Трансферне навчання може бути корисним у багатьох випадках: коли доступні обмежені дані для навчання моделі для конкретного завдання (у цьому випадку трансферне навчання може допомогти моделі досягти кращої точності, ніж якщо би її навчали з нуля); коли потрібно швидко навчити модель для нового завдання (трансферне навчання може допомогти скоротити час навчання моделі); коли потрібно навчити модель для завдання, для якого немає доступних даних.

Посилання

1. A Comprehensive Survey on Transfer Learning / F. Zhuang et al. Proceedings of the IEEE. 2021. Vol. 109. № 1. P. 43–76. URL: https://doi.org/10.1109/jproc.2020.3004555
2. A survey on deep transfer learning / Tan, Chuanqi, et al. In Artificial Neural Networks and Machine Learning–ICANN 2018: 27th International Conference on Artificial Neural Networks, Rhodes, Greece, October 4–7, 2018, Proceedings, Part III 27. Р. 270–279. Springer International Publishing.
3. Raffel, Colin, Noam Shazeer, Adam Roberts, Katherine Lee, Sharan Narang, Michael Matena, Yanqi Zhou, Wei Li, and Peter J. Liu. Exploring the limits of transfer learning with a unified text-to-text transformer. The Journal of Machine Learning Research 21. 2020. № 1. 2020. Р. 5485–5551.
4. Liu, Ruijun, Yuqian Shi, Changjiang Ji, and Ming Jia. A survey of sentiment analysis based on transfer learning. IEEE access. 2019. № 7. Р. 85401–85412.
5. Label efficient learning of transferable representations acrosss domains and tasks / Luo, Zelun, et al. Advances in neural information processing systems. 2017. № 30.
6. Balanced distribution adaptation for transfer learning / J. Wang et al. 2017 IEEE International Conference on Data Mining (ICDM), New Orleans, LA, 18–21 November 2017. URL: https://doi.org/10.1109/icdm.2017.150
7. Mukhlif A.A., Al-Khateeb B., Mohammed M.A. Incorporating a Novel Dual Transfer Learning Approach for Medical Images. Sensors. 2023. Vol. 23. № 2. P. 570. URL: https://doi.org/10.3390/s23020570
8. Hussain, M., Bird, J.J., & Faria, D.R. (2018). A Study on CNN Transfer Learning for Image Classification. In UK Workshop on Computational Intelligence. 2018. № 840. Р. 191–202 (Advances in Computational Intelligence Systems). https://doi.org/10.1007/978-3-319-97982-3_16
9. Свідоцтво про реєстрацію авторського права на твір № 109822, Комп’ютерна програма «Алгоритмічно-програмне забезпечення обробки та аналізу потоку кадрів відеоданих що надходять з камер міста» / Автори: Левківський В.Л., Марчук Г.В., Ципоренко В.В., Марчук Д.К. Дата реєстрації: 25.11.2021
10. Марчук Д.К., Граф М.С. Методи оцінки ефективності моделей виявлення об’єктів у комп’ютерному зорі. Вісник Херсонського національного технічного університету. 2023. № 2 (85). С. 181–186. URL: https://doi.org/10.35546/kntu2078-4481.2023.2.25
11. COCO Common Objects Context. URL: https://cocodataset.org/#home.
Опубліковано
2024-05-30
Як цитувати
Марчук , Д. К. (2024). РОЗРОБКА МОДЕЛІ НАВЧАННЯ РОЗПІЗНАВАННЯ ОБ’ЄКТІВ ІЗ ВІДЕОПОТОКУ ДЛЯ СИСТЕМ УПРАВЛІННЯ ПАРКУВАННЯМ. Computer Science and Applied Mathematics, (1), 19-24. https://doi.org/10.26661/2786-6254-2024-1-03
Розділ
РОЗДІЛ II. ІНЖЕНЕРІЯ ПРОГРАМНОГО ЗАБЕЗПЕЧЕННЯ