КОМПЛЕКСНІ ОНТОЛОГІЧНІ ТА НЕЙРОМЕРЕЖЕВІ МОДЕЛІ ФОТОГРАФІЧНИХ ОБРАЗІВ
DOI:
https://doi.org/10.34185/1991-7848.itmm.2024.01.085Ключові слова:
Штучний інтелект, машинне навчання, глибоке навчання, нейронна мережа, онтологія, граф знаньАнотація
Ця стаття досліджує інноваційний підхід до розробки систем комп'ютерного зору, заснований на глибокій інтеграції онтологічних та нейромережевих моделей для ефективного аналізу фотографічних зображень. У цій роботі пропонується новий гібридний метод у контексті сучасних викликів, пов'язаних з розпізнаванням зображень, таких як висока різноманітність класів та проблеми оклюзії об'єктів на фотографіях низької якості. Цей метод надає моделям комп'ютерного зору здатність до глибшого розуміння контексту та семантики зображень, використовуючи онтологічні структури для представлення візуального вмісту. Аналітичний процес включає ідентифікацію ключових об'єктів на зображенні та визначення їхнього онтологічного контексту, що дозволяє нейронним мережам ефективно виконувати градієнтну трансформацію вхідних даних для більш точного розпізнавання та класифікації. Запропонована модель демонструє потенціал для отримання переваги над традиційними методами у задачах комп'ютерного зору, відкриваючи нові можливості для розширення застосувань комп'ютерного зору у науковій, промисловій та побутовій сферах.
Посилання
Siwei, C. Analysis of object recognition trends based on deep learning. ACE (2023) Vol. 5: 292-299. DOI: 10.54254/2755-2721/5/20230582.
Snyder WE, Qi H. Fundamentals of Computer Vision. Cambridge University Press; 2017.
Farsal, W., Anter, S. & Ramdani, M. Deep learning: An overview. in Proceedings of the 12th International Conference on Intelligent Systems: Theories and Applications 1–6 (ACM, 2018). DOI: https://doi.org/10.1145/3289402.3289538
Distante A, Distante C Image segmentation. In Handbook of image processing and computer vision. Springer, Cham (2020), pp 271–332.
DOI: https://doi.org/10.1007/978-3-030-42374-2_5
Xinlin, Z., Yuanmeng, H., Li Z., Yajing, K., Xiang, G., Huajing, W. Review of Deep Neural Network Based on Auto-encoder. DEStech Transactions on Computer Science and Engineering. 2019, 10.12783/dtcse/iciti2018/29087.
Qiao, L., Yang, L., Hong, D., Yao, L., Zhiguang, Q. Knowledge Graph Construction Techniques[J]. Journal of Computer Research and Development, 2016, 53(3): 582-600.
DOI: 10.7544/issn1000-1239.2016.20148228
Shynkarenko, V., Zhuchyi, L. Ontological suitability analysis of railway tracks for high-speed traffic. Computer Systems and Information Technologies, 2022, 3, 11-21.
DOI: https://doi.org/10.31891/csit-2022-3-2
Uijlings, J. R., Van De Sande, K. E., Gevers, T., & Smeulders, A. W. Selective search for object recognition. International journal of computer vision, 2013, 104, 154-171.
Zitnick, C. L., & Dollár, P. Edge boxes: Locating object proposals from edges. In Computer Vision–ECCV 2014: 13th European Conference, Zurich, Switzerland, September 6-12, 2014, Proceedings, Part V 13 (pp. 391-405). Springer International Publishing.
Zeiler, Matthew D., Fergus, R.: Visualizing and understanding convolutional networks. In: Fleet, David, Pajdla, Tomas, Schiele, Bernt, Tuytelaars, Tinne (eds.) ECCV 2014. LNCS, vol. 8689, pp. 818–833. Springer, Cham (2014). DOI: https://doi.org/10.1007/978-3-319-10590-1_53
