АНСАМБЛЬ ДРІБНИХ ЗГОРТКОВИХ НЕЙРОННИХ МЕРЕЖ ДЛЯ КЛАСИФІКАЦІЇ СТАТІ ЛЮДИНИ У ВІДЕОПОТОЦІ

• Main Authors: Oleksii Gorokhovatskyi, Olena Peredrii
• Format: Article
• Language: English
• Published: National Technical University "Kharkiv Polytechnic Institute" 2019-12-01
• Series: Сучасні інформаційні системи
• Subjects: ансамбль; неглибокі нейронні мережі; детектування облич; класифікація статі; розпізнавання зображень; згорткові нейронні мережі
• Online Access: http://ais.khpi.edu.ua/article/view/188862

Предметом досліджень є нейромережеві моделі класифікації статі особи на зображенні обличчя при обробці відеопотоку. Метою є дослідження ефективності окремих дрібних згорткових мереж та ансамблів, що створені з них, для вирішення задачі класифікації статі людини у відеопотоці, що обробляється як послідовність окремих фреймів. Завданнями є розробка математичних моделей обробки послідовностей фреймів із накопичуванням за різними стратегіями, дослідження їх ефективності при вирішення задачі класифікації, компіляція ансамблів дрібних згорткових нейронних мереж. Застосовуваними методами є: моделі нейронних мереж, інтелектуальний аналіз даних, математична статистика, функціональний аналіз, комп'ютерне моделювання. Отримані результати: показано, що точність класифікації може бути підвищена як за рахунок використання різних моделей голосування результатів окремих фреймів, так і за рахунок використання ансамблів неглибоких загорткових нейронних мереж. Незначні апаратні та програмні ресурси, необхідні для їх навчання та використання, дають можливість підвищити швидкість класифікації в декілька разів порівняно із результатами класифікації нейронними мережами, що мають складнішу архітектуру. Висновки. Наукова новизна полягає у створенні ансамблів неглибоких нейронних мереж, загальне рішення в яких приймається після узагальнення різними методами голосування з довірою як результатів класифікації окремих фреймів, так і результатів класифікації одного і того ж фрейму різними мережами, що дає можливість підвищити надійність та швидкість класифікації.  Практична значущість роботи полягає у створенні метода, що дає можливість зберегти прийнятний рівень точності класифікації та значно пришвидшити процес класифікації за рахунок використання неглибоких архітектур нейронних мереж.