| Разработчики: | ПНИПУ Пермский Национальный Исследовательский Политехнический Университет |
| Дата премьеры системы: | 2023/03/01 |
Основная статья: Нейросети (нейронные сети)
2023: Создание генератора синтетических картинок
Ученые пермского Политеха улучшили обнаружение объектов нейронными сетями. Об этом университет сообщил 1 марта 2023 года.
Одна из задач нейросетей – технологии распознавания образов. Они либо по отдельности, либо в интегрированном виде используются в таких сферах, как безопасность и наблюдение, сканирование и создание изображений, маркетинг и реклама, дополненная реальность и поиск изображений. Обучение - очень важная часть создания данной технологии. Слишком маленькое или наоборот большое количество данных в нейросети приводит к некорректной работе. Порой даже оптимальный размер данных может привести к плохим результатам, если объекты, по которым обучалась программа будут захвачены с одного ракурса или находятся на одном фоне. Как известно, специалистам приходится определять границы изучаемых объектов вручную в специальных программах. Этот процесс очень длительный и трудоемкий. Ученые пермского Политеха создали программу с генератором случайных синтетических изображений, которая позволит обучать нейросеть быстрее. Разработка является особым способом улучшения качества обнаружения необходимых объектов, что позволяет обеспечить технологический суверенитет России.
Чтобы облегчить работу ИТ-специалистам, которые обычно вручную создают фотографии для обучения нейросети, политехники разработали программу, которая генерирует синтетические картинки, комбинируя между собой изображения реального объекта с использованием 3D-камеры, натуралистичный фон и некоторые шумовые эффекты - помехи или предметы окружающей среды. Например, для создания набора картинок с уличным фонарем программа дополнительно использовала ветви деревьев, которые частично закрывают светильник, а также дождь, слабую освещенность, дефекты камеры. Эти шумовые эффекты делают результирующее изображение более реалистичным. Качество обучения зависит от того, насколько равномерно перемешиваются данные и насколько разнообразные картинки получаются.
 | Тестируя программу, мы постарались провести как можно больше экспериментов, чтобы получить максимально большой обзор влияния синтетических данных на производительность нейронной сети. В испытании использовались наборы данных по 1000 и 2000 искусственных картинок. После чего мы заметили, что такое обучение дает низкое качество распознавания. По этой причине мы решили обучать нейросеть, смешивая синтетические данные с настоящими фотографиям, — сообщил доцент кафедры микропроцессорных средств автоматизации Леонид Мыльников. |  |
| | Наборы изображений по тематике на основе синтетических данных с небольшим количеством реальных фотографий улучшило качество обнаружения объекта нейросетью. Это решает проблему создания больших баз данных, необходимых для обучения сетей и значительно упрощает работу специалистов из ИТ сферы. Технология может применима и к движущимся изображениям, — рассказал аспирант кафедры "Информационные технологии и автоматизированные системы" Павел Сливницин. | |
По утверждению разработчиков, созданная ими программа — универсальный инструмент, который можно применять в любой сфере. По их словам, концепт создания искусственных наборов данных подходит для любых типов нейросетей, что особенно важно, так как каждую отличают свои технологические особенности и сложившиеся области применения.
На март 2023 года политехники занимаются получением еще более реалистичных изображений, например, содержащих такие элементы, как эффекты коррозии и деформации изучаемого нейросетью объекта. Это будет способствовать дальнейшему улучшению качества обнаружения.
