Компьютерное зрение

УДК

Леухина Н.М., Виноградов С.В., Щелкунов Е.Б.



ИСКУССТВЕННЫЕ НЕЙРОННЫЕ СЕТИ





ФГБОУ ВО «Амурский гуманитарно-педагогический

государственный университет», 

ФГБОУ ВО «Комсомольский-на-Амуре государственный университет»,

г. Комсомольск-на-Амуре, Россия,

sergwin72@rambler.ru



Примером для создания нейронных сетей стали, биологические нейронные сети. И 2/3 всей. сенсорной информации, которая нам доступна, поступает с основных зрительных органов восприятия. Более 1/3 поверхности головного мозга заняты главными зрительными частями - дорсальный зрительный путь и вентральный зрительный путь.

Дорсальный зрительный путь начинается в нашем темечке и продолжается наверх, а вентральный путь начинается на нашем затылке и заканчивается примерно за ушами [1]. Все важное распознавание образов и смыслонесущее, которое у нас происходит и то, что мы осознаём, происходит так же, за ушами.

Это важно, потому что нужно для понимания нейронных сетей. Дело в том, что все области, которые применяются в нейронных сетях для распознавания образов, поступили к нам из вентрального зрительного пути, где каждая маленькая часть отвечает за определенную свою функцию. Изображение к нам попадает из сетчатки глаза, проходит определенную последовательность зрительных зон и заканчивается в височной зоне.

В 60-е годы, когда только начиналось изучение зрительных зон головного мозга, первые эксперименты проводились на животных, потому что не было fMRI (MRI). Ученые исследовали мозг при помощи электродов, вживлённых в различные зрительные зоны. 

Дэвид Хьюбел и Торстен Визел в 1962 году первыми исследовали зрительную зону. Они ставили эксперименты на кошках. Кошкам представляли различные движущиеся объекты, на что реагировали клетки мозга, то и было тем стимулом, которое распознавало животное. Это самый эффективный способ узнать, что делает каждая мельчайшая клеточка в нашем мозгу.

Таким образом были открыты многие важные свойства зрительных зон, которые мы применяем в глубоком изучении сейчас. Увеличение рецептивных полей наших клеток по мере продвижения от первичных зрительных зон к височным долям, то есть более поздним зрительным зонам - это одно из важнейших свойств. Рецептивное поле - это часть изображения, которую обрабатывают клетки нашего головного мозга. У каждой клетки своё рецептивное поле. Это же свойство сохраняется и в нейронных сетях. 



Компьютерное зрение.

Все свойства компьютерного зрения мы переносим в нейронную сеть, тогда оно будет работать, если не включать небольшое отступление к датасетам. Сначала о простейшем перцептроне (математическая или компьютерная модель восприятия информации мозгом). Он создан по образу и подобию нашего мозга. Простой элемент напоминающий клетку мозга - нейрон. Имеет входные элементы, которые размещены слева направо, иногда снизу-вверх. Справа это выходные части нейрона, а слева входные части нейрона, как показано на рис.1.

Простейший перцептрон может выполнять только самые простые процессы, чтобы выполнять более сложные вычисления, требуется структура с большим количеством слоёв скрытых нейронов.



Рис.1. Перцептрон.



Для компьютерного зрения потребуется еще больше скрытых слоёв. И тогда система будет осмысленно распознавать то, что она видит. 

На сегодняшний день для нас посмотреть на картинку и сказать, что на ней изображено, очень просто, но в конце двадцатого века для компьютерного зрения это было невероятно сложной задачей. 

Сейчас это происходит не так. Мы разбиваем изображение либо на пиксели, либо на патчи: 2х2, 3х3, 5х5, 11х11 пикселей - как удобно создателям системы, в которой они служат входным слоем в нейронную сеть.

С помощью синапсов сигналы с входных слоёв передаются от слоя к слою, каждый из слоёв имеет определённые коэффициенты. Таким образом, мы передаём данные от одного слоя к другому слою, до тех пор пока образ будет нераспознан.

Условно можно разделить все эти части на три класса, обозначим мы их X, W и Y, где Х - это наше входное изображение, Y - это набор лейблов, и нам нужно получить наши веса. Как мы вычислим W? Имея даже 2 заданных компонента уравнения, очень сложно ее вычислить. Поэтому нужно постепенно, подбором веса W сделать так, чтобы ошибка максимально уменьшилась, или чтобы стала равной нулю.



Архитектура глубинной нейронной сети

Архитектуру можно разделить на 2 части: те, которые учатся, и те, которые не учатся.



Рис.2. Архитектура нейронной сети



Чёрным обозначены те части, которые не учатся, а все остальные слои способны обучаться. Существует множество определений того, что находится внутри каждого сверточного слоя. Одно из принятых обозначений - это один слой с тремя компонентами разделяющими на этапы свертки, детекторе и объединения.



Применение искусственные нейронных сетей

Искусственные нейронные сети основательно и относительно давно вошли в нашу жизнь. И в настоящее время широко используются при решении самых разных задач и активно применяются там, где обычные алгоритмические решения оказываются неэффективными [2]. Искусственным нейронным сетям доверяют следующие задачи: распознавание текстов, игра на бирже, контекстная реклама в Интернете, фильтрация спама, системы безопасности и видеонаблюдения, проверка проведения подозрительных операций по банковским картам и многие другие задачи.

Нестандартные применения нейронных сетей

Необычное применение нейронной сети СNN для предсказания бедности придумали ученые Стэнфорда. Дело в том, что в Африке уровень бедности очень высок. Они не имеют возможности собирать социальные демографические данные. Поэтому с 2005 года у нас вообще нет никаких данных о том, что там происходит [1]. Учёные собирали дневные и ночные карты со спутников и в течении некоторого времени загружали их в нейронную сеть.

Нейронная сеть была преднастроена так, что первые слои фильтров были настроены на распознавание совсем простых вещей, например, крыши домов, для поиска поселения на дневных картах. Затем дневные карты были сопоставлены с картами ночной освещенности того же участка поверхности для того, чтобы сказать, сколько есть денег у населения, чтобы хотя бы освещать свои дома в течение ночного времени. 





Рис.3



Здесь мы видим результаты прогноза, построенного нейронной сетью. Прогноз был сделан с различным разрешением, и мы видим - самый последний кадр - это действительные данные, собранные правительством Уганды в 2005 году. Можно заметить, что нейронная сеть составила достаточно точный прогноз, даже с небольшим сдвигом с 2005 года.



Вывод

Нейронные сети - это мощный, но нетривиальный прикладной инструмент. Развитие нейронных сетей вызвало немало энтузиазма и критики. Некоторые сравнительные исследования оказались положительными, другие наоборот. Для многих задач, таких как распознавание образов, пока не создано главных подходов. Нужно пытаться понять возможности, предпосылки и область применения различных подходов, и максимально использовать их дополнительные преимущества для дальнейшего развития интеллектуальных систем.



Библиографический список 

[Электронный ресурс] https://hаbrаhаbr.ru/pоst/322392

[Электронный ресурс] http://соmprеss.ru/аrtiсlе.аspx?id=9663.......................