详细内容或原文请订阅后点击阅览
彼尔姆理工大学的科学家利用神经网络改进了物体检测
Пожалуй，самая популярная и перспективная задача нейросетей – технологии распознавания образов。 Онилибо по отдельности, либо в интегрированном виде используются в таких сферах, как безопасность и наблюдение, ование 和 создание 和зображений，маркетинг 和 реклама，дополненная реальность 和 поиск 和зображений。 Обучение - очень важная часть создания данной технологии。 Слишком маленькое или наоборот большое количество данных в нейросети приводит к некорректной работе.
来源:Robogeek新闻频道（关于机器人技术的俄罗斯与世界新闻）也许神经网络最流行和最有前途的任务是图像识别技术。它们可以单独使用，也可以集成在安全和监控、扫描和成像、营销和广告、增强现实和图像搜索等领域。培训是创造这项技术的一个非常重要的部分。神经网络中的数据太少或相反，太多会导致错误的操作。
有时，如果从相同角度捕获或位于相同背景上训练程序的对象，即使是最佳数据大小也可能导致不良结果。如今，专家必须使用特殊程序手动确定所研究对象的边界。这个过程非常漫长且耗费大量人力。彼尔姆理工大学的科学家们创建了一个带有随机合成图像生成器的程序，这将允许更快地训练神经网络。这项开发是提高必要物体检测质量的独特方法，有助于确保俄罗斯的技术主权。
该研究成果发表在《信息技术应用创新国际会议（ICAIIT）》文集中。
已发布为了让通常手动创建照片来训练神经网络的 IT 专家的工作变得更轻松，理工学院开发了一种程序，通过使用 3D 相机将真实物体的图像、自然背景和一些噪声组合起来，生成合成图片影响 - 干扰或物体环境。例如，为了创建一组带有路灯的图片，该程序还使用了部分覆盖路灯的树枝，以及雨水、弱光和相机缺陷。这些噪声效果使生成的图像更加真实。训练的质量取决于数据混合的均匀程度以及获得的图片的多样性。