ISSN 2071-8594

Российская академия наук

 

Д. А Гаврилов, Д. А. Ловцов "Автоматизированная переработка визуальной информации с помощью технологий искусственного интеллекта"

Аннотация.

В статье представлены основные положения для решения сложной проблемы эффективной переработки визуальной информации в автоматизированной оптико-электронной системе наземно-космического мониторинга с помощью технологий искусственного интеллекта. Показаны базовые соотношения и утверждения разработанного формального математического аппарата переработки информации в режиме реального времени, на основе которого разработано соответствующее эффективное информационно-математическое обеспечение автоматизированных оптико-электронных систем. Приведены результаты экспериментальных исследований.

Ключевые слова:

оптико-электронная система, мониторинг, переработка визуальной информации, стабилизация, детектирование, локализация, классификация, функциональное диагностирование.

Стр. 33-46.

DOI 10.14357/20718594200404

Литература

1. Визильтер Ю.В., Желтов С.Ю. Проблемы технического зрения в современных авиационных системах // Техническое зрение в системах управления мобильными объектами-2010. Труды научно-технической конференции-семинара. Вып. 4 / Под ред. Р.Р. Назирова. 2011. С. 11–45.
2. Матвеев И. А., Чигринский В.В. Оптимизация работы системы слежения, основанной на сети камер // Известия РАН. Теория и системы управления. 2020. № 4. С. 110–114.
3. Смирнов А.В., Левашова Т.В., Пономарев А.В. Онтологическая модель поддержки принятия решений на основе человеко-машинного коллективного интеллекта // Искусственный интеллект и принятие решений. 2020. № 3. С. 48–60.
4. Князев В. В., Ловцов Д.А. Ситуационное планирование защищённой переработки информации в АСУ испытаниями сложных динамических объектов // Автоматика и телемеханика. 1998. № 9. С. 166–181.
5. Гаврилов Д.А., Павлов А.В. Поточная аппаратная реализация алгоритма SURF // Известия ВУЗов. Электроника. 2018. № 5(23). С. 502–511.
6. Местецкий Л.М. , Гаврилов Д.А., Семенов А.Б. Метод разметки изображений самолетов на аэрокосмических снимках на основе непрерывных морфологических моделей // Программирование. 2019. № 6. С. 3–12.
7. Гаврилов Д.А. Программно-аппаратный комплекс тестирования алгоритмов детектирования и локализации объектов в видеопоследовательностях // Научное приборостроение. 2019. № 1(29). С. 21–27.
8. Гаврилов Д.А. Нейросетевой алгоритм автоматического обнаружения и сопровождения объекта интереса в видеосигнале // 16 Национальная конференция по искусственному интеллекту (24–27 сентября 2018 г., Москва). Труды конференции. В 2-х томах. Т. 2. 2018. С. 188–190.
9. Пунь А.Б., Гаврилов Д.А., Щелкунов Н.Н., Фортунатов А.А. Алгоритм адаптивной бинаризации объектов в видеопоследовательности в режиме реального времени // Успехи современной радиоэлектроники. 2018. № 8. С. 40–48.
10. Гаврилов Д.А. Павлов А.В., Щелкунов Д.Н. Аппаратная реализация сжатия динамического диапазона цифровых изображений на ПЛИС Xilinx // Журнал радиоэлектроники [электронный журнал]. 2018. № 10. С. http://jre.cplire.ru/jre/oct18/6/text.pdf
11. Гаврилов Д.А., Щелкунов Н.Н. Программное обеспечение разметки крупноформатных аэрокосмических изображений и подготовки обучающих выборок // Научное приборостроение. 2020. № 2(30). С. 67–75.
12. Carvana Image Masking Challenge–1st Place Winner’s Interview [Электронный ресурс]. URL: http://blog.kaggle.com/2017/12/22/carvana-image-masking-first-place-interview
13. Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation // Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015. С. 1–8.
14. Ловцов Д. А., Гаврилов Д.А. Вопросы оперативной переработки визуальной информации в АОЭС наземно-космического мониторинга // Тр. VI Междунар. науч.-прак. конф. «Информационные технологии и нанотехнологии – ИТНТ-20» (26 – 29 мая 2020 г.). В 4-х т./ ИСОИ РАН, СНИУ. – Т. 2. Обработка изображений и дистанционное зондирование Земли– Самара: Самарский нац. исслед. ун-т им. акад. С.П. 2020. С. 271–276.
15. Сикорский О.С. Обзор сверточных нейронных сетей для задачи классификации изображений // Новые информационные технологии в автоматизированных системах. 2017. № 20. С. 37–42.
16. Szegedy C., Ioffe S., Vanhoucke V., Alemi A. Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning 2016.
17. AutoML [Электронный ресурс]. URL: https://www.automl.org
18. Zoph B., Vasudevan V., Shlens J., Le V.Q. Learning transferable frchitectures for scalable image recognition // IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2018. С. 8697–8710.
19. Krizhevsky A., Nair V., Hinton G. The CIFAR-10 dataset [Электронный ресурс]. URL: https://www.cs.toronto.edu/~kriz/cifar.html/
20. Berg A., Deng J., Fei-Fei L. ImageNet Large Scale Visual Recognition Competition (ILSVRC) [Электронный ресурс]. URL: http://www.image-net.org/challenges/LSVRC
21. COCO [Электронный ресурс]. URL: http://cocodataset.org/#home/
22. Favreau J.-D., Lafarge F., Bousseau A., Auvolat A. Extracting Geometric Structures in Images with Delaunay Point Processes // IEEE Transactions on Pattern Analysis and Machine Intelligence, Institute of Electrical and Electronics Engineers. 2019. № 4(42). С. 837–850.
23. Пат. 2714182, Патент РФ № 2714182 Программно-аппаратный комплекс тестирования систем автоматического и/или полуавтоматического детектирования и локализации объектов в видепоследовательности/ Д.А Гаврилов (РФ). № 2018135058; Заяв. 05.10.2018; Опуб. 13.02.2020. Бюл. № 5.
24. Гаврилов Д.А. Оценка качества систем детектирования и локализации объектов в потоке видео // Вестник МГТУ им. Баумана. Серия Приборостроение. 2018.
25. Google. Планета Земля в Интернете [Электронный ресурс]. URL: https://www.google.com/earth/
26. SASGIS Веб-картография и навигация [Электронный ресурс]. URL: http://www.sasgis.org/