ЖУРНАЛ РАДИОЭЛЕКТРОНИКИ. eISSN 1684-1719. 2024. №3

УДК: 004.93:004.032.26

МЕТОД СИНТЕЗА ДАННЫХ
ДЛЯ ПОВЫШЕНИЯ ЭФФЕКТИВНОСТИ ОБУЧЕНИЯ
НЕЙРОННЫХ СЕТЕЙ

Д.А. Шлёнских ¹, М.Л. Белокопытов ¹, Д.В. Анохин², И.Г. Иванов³

¹ Военно-космическая академия имени А.Ф. Можайского,
197198, Санкт-Петербург, ул. Ждановская, 13

² Санкт-Петербургский государственный университет аэрокосмического приборостроения,
190000, Санкт-Петербург, ул. Большая Морская, 67

³ Главный испытательный космический центр им. Г.С. Титова,
143090, Краснознаменск, ул. Октябрьская, 3

Статья поступила в редакцию 05 февраля 2024 г.

Аннотация. Статья посвящена вопросам формирования исходного набора данных для обучения нейронных сетей. Представлен апробированный метод создания синтетических данных, построенный на базе графического процессорас использованием графического конвейера. Отличительной особенностью данного метода является его модульная архитектура, позволяющая легко модифицировать, удалять или добавлять отдельные этапы в конвейер генерирования синтетических изображений. Проведено обучение одноэтапного автоматического обнаружителя на базе свёрточной нейронной сети типа Yolo, а также произведена оценка качества обученной модели и работы алгоритма распознавания. Сделаны выводы относительно возможности применения такого подхода при создании репрезентативных выборок большого объёма и их дальнейшего использования для обучения нейронных сетей распознаванию образов.

Ключевые слова: нейронная сеть, обучение, синтетические данные, графический конвейер.

Автор для переписки: Белокопытов Марк Львович, Hommer1990@mail.ru

Литература

1. Пчелинцев С.Ю., Юляшков М.А., Ковалева О.А. Метод создания синтетических наборов данных для обучения нейросетевых моделей распознаванию объектов // Информационно-управляющие системы. – 2022. – №. 3 (118). – С. 9-19. http://i-us.ru/index.php/ius/article/view/15242.

2. Сообщество IT-специалистов: Синтетические данные для машинного обучения: их природа, типы и способы генерации: сайт. – Москва, 2019. – URL: https://habr.com/ru/articles/721170 (дата обращения: 21.11.2023). – Текст: электронный.

3. Гонахчян В.И. Модель производительности графического конвейера для однопроходной схемы рендеринга динамических трехмерных сцен // Труды Института системного программирования РАН. – 2020. – Т. 32. – №. 4. – С. 53-72.

4. Леденёв М.А. Программный модуль повышения качества изображений в задачах распознавания //Известия Транссиба. – 2015. – №. 2 (22). – С. 110-115.

5. Малыхина Г.Ф., Меркушева А.В. Элементы статистической концепции обучения нейронной сети и прогнозирование точности ее функционирования // Научное приборостроение. – 2005. – Т. 15. – №. 1. – С. 29-45.

6. Белокопытов М.Л. и др. Мониторинг объектов морского судоходства по аэрокосмическим данным дистанционного зондирования в СВЧ диапазоне с применением нейросетевых технологий // Журнал радиоэлектроники. – 2022. – №. 4. https://doi.org/10.30898/1684-1719.2022.4.2.

7. Носырев П.В. и др. Валидация аналитических методик: теория и практика (Часть I) // Ремедиум. Журнал о российском рынке лекарств и медицинской технике. – 2003. – №. 10. – С. 69-71.

Для цитирования:

Шлёнских Д.А., Белокопытов М.Л., Анохин Д.В. Иванов И.Г. Метод синтеза данных для повышения эффективности обучения нейронных сетей. // Журнал радиоэлектроники. – 2024. – №. 3. https://doi.org/10.30898/1684-1719.2024.3.8