A method of data synthesis to improve the effectiveness of neural network training
Abstract
The article is devoted to the formation of the initial data set for training neural networks. A proven method for creating synthetic data based on a graphics processor using a graphics pipeline is presented. A distinctive feature of this method is its modular architecture, which makes it easy to modify, delete or add individual stages to the synthetic image generation pipeline. A one-stage automatic detector based on a convolutional neural network of the Yolo type has been trained, the quality of the trained model and the operation of the recognition algorithm were also evaluated. Conclusions are drawn regarding the possibility of using this approach when creating representative samples of a large volume and their further use for training neural networks in pattern recognition.
- neural network
- training
- synthetic data
- graphics pipeline
Аннотация (на русском)
Метод синтеза данных для повышения эффективности обучения нейронных сетей
Статья посвящена вопросам формирования исходного набора данных для обучения нейронных сетей. Представлен апробированный метод создания синтетических данных, построенный на базе графического процессора с 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.
For citation
Shlenskih D.A., Belokopytov M.L., Anohin D.V., Ivanov I.G. A method of data synthesis to improve the effectiveness of neural network training // Journal of Radio Electronics. – 2024. – No. 3. https://doi.org/10.30898/1684-1719.2024.3.8
References
- 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.
- 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.
- 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.
- Леденёв М.А. Программный модуль повышения качества изображений в задачах распознавания //Известия Транссиба. - 2015. - №. 2 (22). - С. 110-115.
- 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.
- 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.
- 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.