Please use this identifier to cite or link to this item: http://repository.kpi.kharkov.ua/handle/KhPI-Press/45141
Title: Дослідження трансформацій простору даних при навчанні мережі Кохонена у методах структурної класифікації зображень
Other Titles: Research of data space transformation in Kohonen network training for methods of structural classification of images
Authors: Гороховатський, Володимир Олексійович
Пупченко, Дмитро Вікторович
Стяглик, Наталя Іванівна
Keywords: комп'ютерний зір; структурне розпізнавання зображень; ключові точки зображень; дескриптори; детектори ORB; простори даних; програмне моделювання; бази зображень; computer vision; structural image recognition; key image points; descriptors; ORB detectors; network learning; data spaces; software modeling; image databases
Issue Date: 2020
Publisher: Національний технічний університет "Харківський політехнічний інститут"
Citation: Гороховатський В. О. Дослідження трансформацій простору даних при навчанні мережі Кохонена у методах структурної класифікації зображень / В. О. Гороховатський, Д. В. Пупченко, Н. І. Стяглик // Сучасні інформаційні системи = Advanced Information Systems. – 2020. – Т. 4, № 1. – С. 113-118.
Abstract: Предметом досліджень статті є модифікація засобів навчання мережі Кохонена задля класифікації зображень у системах комп'ютерного зору. Метою є визначення нового простору даних для навчання мережі та створення ефективного методу класифікації на основі множини дескрипторів ключових точок. Завдання: застосування нейронної мережі Кохонена для навчання системи класифікації у визначеному просторі даних, трансформація простору даних навчання мережі, вивчення адаптаційних можливостей і оцінювання ефективності функціонування мережі засобами програмного моделювання. Методами є: інтелектуальний аналіз даних, апарат структурної класифікації зображень, детектор ORB для визначення дескрипторів ключових точок, засоби навчання мережі Кохонена, програмне моделювання. Отримані такі результати. Запропоновано моделі трансформації даних, які підвищують результативність навчання. Проведено порівняльний аналіз розроблених методів навчання та класифікації. Здійснена програмна реалізація системи класифікації, експериментально проведено дослідження її ефективності та оцінювання часу оброблення. Висновки. Наукова новизна дослідження полягає в удосконаленні методів структурної класифікації з використанням навчання мережі Кохонена шляхом впровадження нового простору даних на базі центрів описів еталонів та згортання даних, що сприяє забезпеченню високої результативності класифікації при достатній швидкодії та дає можливість використовувати модифіковані методи у застосунках реального часу. Практичну значимість роботи складають отримані моделі програмного забезпечення для оцінювання ефективності класифікаторів у системах комп'ютерного зору, підтверджена ефективність розробок на прикладах баз даних зображень.
The subject of the article's research is the modification of Kohonen neural network training for image classification. The purpose is to define a new data space for network learning and to create an effective classification method based on a set of key point descriptors. Task: use of the Kohonen neural network to train the classification system in a certain data space, transform the data space of the training network, study adaptive capabilities and evaluate the effectiveness of the network by means of software modeling. The methods are: data mining, structural classification of images, ORB detector for determining key point descriptors, Kohonen network learning tools, software modeling. The following results were obtained: data transformation models that enhance learning performance are proposed. The comparative analysis of the developed methods of training and classification is made. A software implementation of the classification system has been carried out, its efficiency has been experimentally investigated and the processing time has been evaluated. Conclusions. The scientific novelty of the study is refining structural classification methods using Kohonen network by introducing a new center based clustering approach and a method for collapsing descriptor data, which contributes to high classification performance at sufficient speed and enables the use of these modified methods in real-time applications. The practical importance of the work is created by the models of software used to evaluate the performance of the classifiers in computer vision systems, and the proven effectiveness of the development on the specified image databases.
ORCID: orcid.org/0000-0002-7839-6223
orcid.org/0000-0002-7438-1382
orcid.org/0000-0001-5938-2013
DOI: doi.org/10.20998/2522-9052.2020.1.17
URI: http://repository.kpi.kharkov.ua/handle/KhPI-Press/45141
Appears in Collections:Кафедра "Комп'ютерна інженерія та програмування"

Files in This Item:
File Description SizeFormat 
AIS_2020_4_1_Horokhovatskyi_Doslidzhennia.pdf605,69 kBAdobe PDFThumbnail
View/Open
Show full item record  Google Scholar



Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.