Элементы искусственного интеллекта для задачи определения положения автотранспортного средства на изображении
(Стр. 9-18)

Статья посвящена решению задачи определения границ автотранспортного средства на изображении, как промежуточного этапа для решения других, более локальных задач, связанных с идентификацией автотранспорта на изображении или в видео потоке. В статье подробно рассматриваются существующие методы и подходы к решению задач компьютерного зрения, в том числе современные архитектуры нейронных сетей. В качестве основной модели была выбрана сверточная нейронная сеть Tiny-YOLO-InceptionResNet, которая была модифицирована в процессе проведения исследования. Архитектура полученной нейронной сети приведена в данной работе. Перед обучением нейронной сети производилась работа по подготовке и предобработке набора данных, которая позволила более рационально использовать вычислительные ресурсы во время обучения. В результате проведенного исследования была разработана модель нахождения границ автотранспортного средства на изображении, точность которой равна 88%.

Катермина Т.С., Лазоренко Е.В., (2022), ЭЛЕМЕНТЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ ЗАДАЧИ ОПРЕДЕЛЕНИЯ ПОЛОЖЕНИЯ АВТОТРАНСПОРТНОГО СРЕДСТВА НА ИЗОБРАЖЕНИИ. Computational nanotechnology, 3 => 9-18. DOI: 10.33693/2313-223X-2022-9-3-9-18

Atibi M., Atouf I., Boussaa M., Bennis A. Real-time detection of vehicles using the haar-like features and artificial neuron networks // Procedia Computer Science. 2015. Vol. 73. Pp. 24-31. ISSN 1877-0509. URL: https://doi.org/10.1016/j.procs.2015.12.044.
Dongpo Xu, Shengdong Zhang, Huisheng Zhang, Danilo P. Mandic. Convergence of the RMSProp deep learning method with penalty for nonconvex optimization // Neural Networks. 2021. Vol. 139. Pp. 17-23. ISSN 0893-6080. URL: https://doi.org/10.1016/j.neunet.2021.02.011.
Fan Q., Brown L., Smith J. A closer look at Faster R-CNN for vehicle detection // IEEE Intelligent Vehicles Symposium. 2016. Vol. IV. Pp. 124-129. DOI: 10.1109/IVS.2016.7535375.
Hoanh Nguyen. Improving faster R-CNN framework for fast vehicle detection // Mathematical Problems in Engineering. 2019. Article ID: 3808064. 11 p. URL: https://doi.org/10.1155/2019/3808064
Khokhlov et al. Tiny-YOLO object detection supplemented with geometrical data // IEEE 91st Vehicular Technology Conference (VTC2020-Spring). 2020. Pp. 1-5. DOI: 10.1109/VTC2020-Spring48590.2020.9128749.
Laroca R. et al. A Robust real-time automatic license plate recognition based on the YOLO detector // International Joint Conference on Neural Networks (IJCNN). 2018. Pp. 1-10. DOI: 10.1109/IJCNN.2018.8489629.
Maity M., Banerjee S., Sinha Chaudhuri S. Faster R-CNN and YOLO based Vehicle detection: A survey // 5th Inter-national Conference on Computing Methodologies and Communication (ICCMC). 2021. Pp. 1442-1447. DOI: 10.1109/ICCMC51019.2021.9418274.
Manana M., Tu C., Owolawi P.A. Preprocessed faster RCNN for vehicle detection // International Conference on Intelligent and Innovative Computing Applications (ICONIC). 2018. Pp. 1-4. DOI: 10.1109/ICONIC.2018.8601243.
Miao Y., Liu F., Hou T. et al. A nighttime vehicle detection method based on YOLO v3 // Chinese Automation Congress (CAC). 2020. Pp. 6617-6621. DOI: 10.1109/CAC51589.2020.9326819.
Rybski P.E., Huber D., Morris D.D., Hoffman R. Visual classification of coarse vehicle orientation using Histogram of Oriented Gradients features // IEEE Intelligent Vehicles Symposium. 2010. Pp. 921-928. DOI: 10.1109/IVS.2010. 5547996.
Shi K., Bao H., Ma N. Forward vehicle detection based on incremental learning and fast R-CNN // 13th International Conference on Computational Intelligence and Security (CIS). 2017. Pp. 73-76. DOI: 10.1109/CIS.2017.00024.
Shin H.-C. et al., Deep convolutional neural networks for computer-aided detection: CNN architectures, dataset characteristics and transfer learning // IEEE Transactions on Medical Imaging. 2016. Vol. 35. No. 5. Pp. 1285-1298. DOI: 10.1109/TMI.2016.2528162.
Xu Y., Yu G., Wu X. et al. An enhanced Viola-Jones vehicle detection method from unmanned aerial vehicles ima-gery // IEEE Transactions on Intelligent Transportation Systems. 2017. Vol. 18. No. 7. Pp. 1845-1856. DOI: 10.1109/TITS.2016.2617202.
Zehang Sun, Bebis G., Miller R. On-road vehicle detection using Gabor filters and support vector machines // 14th International Conference on Digital Signal Processing Proceedings. DSP 2002 (Cat. No. 02TH8628). 2002. Vol. 2. Pp. 1019-1022. DOI: 10.1109/ICDSP.2002.1028263.
Zoev V., Beresnev A.P., Markov N.G. Convolutional neural networks of the YOLO class in computer vision systems for mobile robotic complexes // International Siberian Conference on Control and Communications (SIBCON). 2019. Pp. 1-5. DOI: 10.1109/SIBCON.2019.8729605.
Катермина Т.С., Сибагатулин А.Ф. Применение методов искусственного интеллекта к задаче диагностики заболеваний дыхательных путей // Computational Nanotechnology. 2022. Т. 9. № 2. С. 92-103. DOI: 10.33693/2313-223X-2022-9-2-92-103.
Разинкин В.Б., Катермина Т.С. Распознавание лица по фотографии // International Journal of Advanced Studies. 2018. Т. 8. № 1-2. С. 171-180.

компьютерное зрение, нейронные сети, сверточные нейронные сети, распознавание изображений, искусственный интеллект.