страница 10. Сборник тезисов докладов
 Скачать 3.87 Mb.
|
|
МЕТОДЫ АВТОМАТИЗАЦИИ ПОДГОТОВКИ ЭТАЛОННОЙ ИНФОРМАЦИИ НА ОСНОВЕ ГЛУБОКОГО ОБУЧЕНИЯ В.А. Князь, Н.А. Моисеев, О.Ю. Царева (ФГУП «ГосНИИАС») Для решения задачи обучения нейронной сети возможно несколько вариантов [1],[2] формирования входных данных. Все они основываются на получении эталонной информации с определенных сформированных источников (физических, макетных, компьютерных). Отличительной особенностью, ограничивающей точность получаемых данных, является стереотождествление. Иными словами – точное нахождение точек при разных углах наблюдения за объектом интереса. В настоящее время активно внедряются методы, основанные на глубоком обучении нейронных сетей. Их применение позволяет решать разноплановые задачи: от распознавания шрифта текста, до улучшения качества изображения. В докладе представлен обзор применяемых источников данных, а также результаты проведенного исследования. Выявлены позитивные и негативные стороны каждого из методов. Наиболее подходящим к автоматизации способом был выбран компьютерный метод. Выбрана и описана применяемая глубокая нейронная сеть. В результате применения пакетов трехмерного моделирования, игрового движка Unreal Engine 4 и программ постобработки выходного потока, получен источник качественных данных (БД). Сформированная БД позволяет в значительной степени улучшить результаты обучения нейронной сети и снизить время формирования необходимых данных. Работа выполнена при финансовой поддержке РФФИ (проект 19-07- 01248). ЛИТЕРАТУРА 1. Knyaz, V. A. and Zheltov, S. Y., “Accuracy evaluation of structure from motion surface 3d reconstruction,” Proc.SPIE 10332, 10332 – 10332 – 10 (2017). 2. В.А. Князь, Д. Г. Степаньянц, А.А. Максимов. Влияние методов калибровки камеры БЛА на точность оценки координат рельефа местности. Вестник компьютерных и информационных технологий, 2018(3):11– 19, 2018, DOI: 10.14489/vkit.2018.03.pp.011-019 88 КОМПЛЕКСИРОВАНИЕ ИНФОРМАЦИИ ВИДИМОГО И ТЕПЛОВИЗИОННОГО КАНАЛА ОЭС ДЛЯ ЭФФЕКТИВНОГО ОБНАРУЖЕНИЯ ЦЕЛЕЙ В.А. Князь, Н.А. Моисеев, И.М. Алырчиков, О.Ю. Царева (ФГУП «ГосНИИАС») Проблема создания и реализации алгоритмов комплексирования каналов является актуальной. Алгоритмы, существующие на сегодняшний день, в результате своей работы теряют большое количество полезной информации, в связи с этим появилась необходимость создания нового подхода комплексирования. Идея исследования заключается в формировании единого изображения, собранного из полученных кадров с разных видов принимающих устройств. В работе проведен анализ рассматриваемых видов каналов, разработан и внедрен алгоритм комплексирования. Особенностью разработки является тот факт, что цвет несет дополнительную информацию об объектах интереса, позволяя оценивать уровень спектральной энергии от каждой составляющей изображения. Недостатком предложенного подхода является высокая сложность вычисления, что затрудняет использование системы в режиме реального времени. В отличии от аналогичных вариантов реализации, данный алгоритм позволяет лучше других сохранять информационные признаки [1]. Работа выполнена при финансовой поддержке РФФИ (проект 19-07- 01248). ЛИТЕРАТУРА 1. Бондаренко М. А., Дрынкин В. Н. Оценка информативности комбинированных изображений в мультиспектральных системах технического зрения // Программные системы и вычислительные методы, 2016, № 1, с. 64–79. DOI: 10.7256/2305-6061.2016.1.18047 89 МЕТОД КОМПЛЕКСНОЙ ОЦЕНКИ ХАРАКТЕРИСТИК БОРТОВОЙ РАДИОЛОКАЦИОННОЙ СТАНЦИИ С РАДИОПРОЗРАЧНЫМ ОБТЕКАТЕЛЕМ ПЕРСПЕКТИВНОГО БЕСПИЛОТНОГО ЛЕТАТЕЛЬНОГО АППАРАТА А.Н. Детков (ФГУП «ГосНИИАС», А.Н. Карпук (АО «ГосМКБ «Радуга» им. А.Я. Березняка) На основе цифро-натурного метода предложен новый подход к автоматизации исследований бортовой радиолокационной станции и радиопрозрачного обтекателя как единой системы перспективного беспилотного летательного аппарата. Такой подход позволяет сократить количество лётных экспериментов без уменьшения достоверности оценок характеристик бортовой радиолокационной станции. Цифро-натурный метод оценки характеристик БРЛС обеспечивает максимальную эффективность процесса исследовательских испытаний за счёт [1]: трансформирования методик проведения лётного эксперимента с учётом совершенствования вычислительной техники, применяемой при исследовательских испытаниях; ориентации на построение моделей радиолокационных явлений и их привлечение к оценке классификации исследуемой БРЛС; максимального использования априорной информации, полученной на всех предыдущих этапах жизненного цикла БРЛС (модели радиолокационных явлений, в том числе и модели прохождения ЭМВ через РПО, модели сигналов, модели навигационных параметров и априорные оценки характеристик БРЛС); выполнения минимально возможного количества лётных экспериментов с целью оценки функционирования БРЛС в целом, получения единичных высокоинформативных наблюдений и записи радиоголограмм сигналов и данных БРЛС в различных условиях, применения математического и полунатурного моделирования для получения достаточного количества наблюдений, необходимого для оценки характеристик БРЛС с заданной точностью; максимальной автоматизации труда инженеров-исследователей с целью сокращения временных затрат при подготовке и выполнении лётного эксперимента, сборе и обработке радиолокационной информации, моделировании и анализе результатов. ЛИТЕРАТУРА 1. Исаев С.А., Детков А.Н., Безуглов А.А. Цифро-натурный метод оценки характеристик метеорологических радиолокационных комплексов ближней аэродромной зоны // Автоматизация. Современные технологии. 2018. Т. 72. № 3. С. 116-120. 90 МАКСИМИЗАЦИЯ ДАЛЬНОСТИ ПОЛЕТА УПРАВЛЯЕМОЙ АВИАЦИОННОЙ БОМБЫ Е. И. Карпежников (АО «Государственное научно-производственное предприятие «Регион») Рассматривается задача максимизации дальности полета управляемой авиационной бомбы (УАБ). Для поиска траектории УАБ из точки начала движения s 0 =(Θ 0 , V 0 , x g0 , y g0 ) в точку интереса s ТИ =(Θ ТИ , V ТИ , x gТИ , y gТИ ), обеспечивающей максимальную дальность полета, используется прямой вариационный метод Ритца-Галеркина, суть которого, применительно к решаемой задаче, заключается в задании на известном отрезке времени [t 0 , t ТИ ] функций первого приближения, для каждой из координат x g (t) и y g (t) траектории и дальнейшем поиске квазиоптимальной, с точки зрения дальности полета, траектории. Подобные задачи динамики полета не имеют однозначного решения в связи с чем предлагается на бесконечном множестве возможных траекторий определить множество траекторий, допустимых с точки зрения динамической реализуемости, выбрать из полученного множества траекторию, обеспечивающую максимальную дальность полета, и определить силы, действующие на УАБ в каждой точке этой траектории. Под динамически реализуемой траекторией понимается траектория, в каждой точке которой выполняется условие балансировки УАБ. Балансировка УАБ достигается в некотором известном диапазоне углов атаки [α балmin, α балmax ], где α бал =f(M, δ) и соответствующем ему диапазоне располагаемых перегрузок[n yaРmin , n yaРmax ]. Кроме того, дополнительно накладываются ограничения перегрузки, характеризующие критический угол атаки α кр , а также эксплуатационные ограничения перегрузки n yaЭmax , связанные с прочностью конструкции УАБ. Общий диапазон ограничения перегрузок определяется следующей системой ограничений: max max min min max ( , ); ( , ); min ( ); aбал a a кр a aбал aЭ ny M ny ny M ny ny ny Зная допустимый диапазон перегрузок, возможно проверять траекторию на динамическую реализуемость в каждой ее точке. В случае, если в момент времени t i рассчитанная перегрузка выходит за допустимый диапазон, производится корректировка траектории, которая заключается в составлении новых функций на участке траектории между точками s i и s ТИ на отрезке времени [t i , t к ]. Поиск квазиоптимальной траектории, на множестве, определенном системой ограничений динамических характеристик УАБ, осуществляется путем варьирования коэффициентов заданных функций. 91 В результате решения рассматриваемой задачи формируется квазиоптимальная траектория и рассчитываются потребные для движения по этой траектории силы. 92 Секция «МОДЕЛИРОВАНИЕ АВИАЦИОННЫХ СИСТЕМ ТЕХНИЧЕСКОГО ЗРЕНИЯ» ПОВЫШЕНИЕ КАЧЕСТВА АЛГОРИТМА ОБНАРУЖЕНИЯ БЛА ЗА СЧЁТ РАСШИРЕНИЯ ОБУЧАЮЩЕЙ ВЫБОРКИ ПРИ ИСПОЛЬЗОВАНИИ ГЕНЕРАТИВНО-СОСТЯЗАТЕЛЬНЫХ НЕЙРОННЫХ СЕТЕЙ В.А.Горбачев, А.И. Костин ( ФГУП «ГосНИИАС») Современные алгоритмы обнаружения объектов, в подавляющем большинстве основаны на глубоких нейронных сетях и требуют больших тренировочных выборок для их обучения. Однако создание и аннотирование коллекций данных требует значительных временных и человеческих ресурсов. Одним из способов упрощения создания обучающих выборок является искусственное создание изображений, содержащих целевые объекты. В работе рассматривается задача обнаружения объектов на примере обнаружения мини- БЛА (дронов). В работе проблема искусственного расширения обучающей коллекции изображений была решена за счёт использования генеративно-состязательных нейронных сетей (ГСНС) для генерации фотореалистичных изображений целевых объектов. Благодаря ему удалось создать новую обучающую коллекцию, содержащую большее разнообразие обучающих примеров, что позволило более точно обучить алгоритм обнаружения и локализации. Предложенный способ протестирован для доработки алгоритма обнаружения и позиционирования БЛА в закрытых помещениях [1]. Был применён принцип преобразования домена. За основу бралось изображение (рендер) трёхмерной модели объекта и фоновое изображение. Далее изображение обрабатывает нейронная сеть, которая преобразовывала синтетическое изображение объекта к более реалистичному виду (Рис.1). Использовалась генеративно-состязательная нейронная сеть (ГСНС), которая обучалась преобразовывать домен изображений (от синтетических к реальным) таким образом, чтобы её выход невозможно было отличить от реального изображения камеры. Разработанные алгоритмы могут быть использованы в рамках технологии автоматизированной системы визуального контроля поверхности ВС с помощью программируемых беспилотников в закрытых помещениях. Экспериментальное исследование показало, что синтезированные (ГСНС) изображения могут быть успешно использованы для обучения алгоритма детектирования и позволяют существенно повысить качество его работы по сравнению с использованием как исключительно реальных изображений, так и смеси реальных изображений с рендерами трёхмерных моделей (модельные 93 данные). При этом для создания самой ГСНС используется тот же объём исходных данных что и для обучения исходного алгоритма. Рис. 1 Создание фотореалистичных изображений для обучения алгоритма обнаружения объектов с помощью генеративно-состязательной нейронной сети. Слева направо: фрагмент фона, фрагмент с наложенным рендером объекта, фрагмент, улучшенный нейросетью, изображение с изменённым фрагментом. ЛИТЕРАТУРА 1. Blokhinov, Y.B., Gorbachev, V.A., Nikitin, A.D., Skryabin, S.V. Technology for the Visual Inspection of Aircraft Surfaces Using Programmable Unmanned Aerial Vehicles. Journal of Computer and Systems Sciences International. 2019. 58(6), p. 960-968 ИССЛЕДОВАНИЕ ВОЗМОЖНОСТЕЙ СЕМАНТИЧЕСКОЙ СЕГМЕНТАЦИИ ЗАШУМЛЕННЫХ АЭРОФОТОСНИМКОВ С ПОМОЩЬЮ СВЁРТОЧНЫХ НЕЙРОННЫХ СЕТЕЙ В.А. Горбачев, И.А.Криворотов, А.О.Маркелов ( ФГУП «ГосНИИАС») В настоящее время наблюдается повышенный интерес к области компьютерного зрения. Связано это с значительным прогрессом в области глубоких нейронных сетей (ГНС), увеличением доступных вычислительных ресурсов, а также широкой доступностью огромных баз размеченных данных. Комбинация этих факторов позволяет решать все более широкий круг задач, ранее недоступный для классических алгоритмов компьютерного зрения. Вместе с расширением круга задач естественно возникают вопросы о границе применимости методов. Подобные ограничения могут определяться постановкой задачи, доступными вычислительными мощностями, совершенством техник построения и обучения ГНС, качеством данных для обучения и т.п. В данной работе изучаются границы применимости ГНС в случае зашумленных обучающих данных, а также предложены способы уменьшения негативного влияния зашумления за счет методов комплексирования изображений. 94 В работе исследуется задача многоклассовой сегментации аэрофотоснимков. В качестве базы данных размеченных снимков выбрана коллекция изображений ISPRS Semantic Labeling Contest с аэрофотоснимками города Потсдам (Potsdam) [1]. В нем предлагается определить по четырёхканальным (RGB, IR) аэрофотоснимкам города принадлежность пикселя одному из классов, то есть построить семантическую карту разметки. Все используемые снимки были дополнительно зашумлены. В качестве модели шума использовался аддитивный гауссовский шум. В работе была продемонстрирована возможность работы нейросетевых алгоритмов сегментации в экстремальных условиях искажений. Исследована экспериментальная зависимость качества работы модели от количества доступных данных, и от уровня шума. Эксперимент показал, что дополнительный объём обучающей выборки позволяет скомпенсировать более высокий уровень шума в данных. Можно провести аналогию с тем, как при увеличении количества данных для обучения сеть может выучить большее количество классов для распознавания, или данные с более сложной внутренней структурой. На рисунке 1 продемонстрирован пример работы алгоритма. Рис. 1. Семантическая сегментация зашумлённых аэрофотоснимков. Слева направо: исходное изображение, зашумлённое изображение, результат работы алгоритма, эталонная разметка. ЛИТЕРАТУРА 1. 2D Semantic Labeling Contest - Potsdam, http://www2.isprs.org/commissions/comm3/wg4/2d-sem-label-potsdam.html. 2. Chen, L. et al.: DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs. (2017). 95 КЛИЕНТ-СЕРВЕРНАЯ ПЛАТФОРМА ДЛЯ РЕШЕНИЯ ЗАДАЧ МАШИННОГО ЗРЕНИЯ НА ОСНОВЕ НЕЙРОСЕТЕВЫХ АЛГОРИТМОВ (ПЛАТФОРМА ГНС) Ю.В.Морзеев, И.В.Никифоров (ФГУП «ГосНИИАС») Современная разработка нейросетевых алгоритмов на базе глубоких конволюционных нейронных сетей (ГКНС) для применения в различных областях знаний требует параллельного и совместного решения ряда задач, таких как: 1. Подготовка исходных данных для обработки и анализа. 2. Моделирование решений на основе известных и стандартных подходов. 3. Быстрое прототипирование возможных комбинаций известных алгоритмов в виде новых структурных и логических цепочек вычисления. 4. Построение и отладку новых решений как на базе существующих ГКНС, так и связанных с дополнительной разработкой программного кода нейронных сетей. Такого рода задачи, как правило, решаются группами разработчиков и включают большой объем исследовательской информации и проведение большого количества расчетов. Наряду с этим, краеугольным камнем таких совместных работ в организациях может стать вычислительная мощность и доступность ресурсов серверов с графическими процессорами, предназначенными для обучения ГКНС. Формирование и управление порядком приоритета вычислений тех или иных задач зачастую приводит к долгому согласованию очередности таких расчетов и, как следствие, может приводить к простою вычислительных мощностей [1-3]. Для решения этих и других проблем во ФГУП «ГосНИИАС» была разработана универсальная клиент-серверная платформа (Платформа ГНС), включающая в себя следующие компоненты: 1. Серверную часть, разворачиваемую на серверах (кластере) с графическими ускорителями и включающую в себя, в числе прочего, ряд готовых решений для типовых задач машинного зрения. 2. Клиентскую часть – специализированное программное обеспечение для рабочего места разработчика (СПО АРМ-Р), представляющее из себя «тонкий» клиент с удобным графическим интерфейсом, предназначенный для запуска и управления ресурсоемкими на стороне сервера. Клиентская часть включает в себя: модуль работы с типовыми решениями на основе 10 встроенных алгоритмов; модуль разметки изображений для подготовки решения широкого спектра задач компьютерного зрения; модуль визуального программирования для упрощения задач прототипирования новых решений; модуль работы с исходным кодом. 96 3. Административную часть (СПО АРМ-А) для управления правами и доступами пользователей, а также управлением расписанием серверных вычислений и мониторингом общего состояния комплекса и его элементов. Принципиальная схема системы представлена на рис. 1. Рис. 1. Архитектура Платформы ГНС Платформа ГНС представляет из себя полнофункциональную экосистему, позволяющую организовать полный цикл разработки, отладки и тестирования сложных алгоритмов машинного обучения. Система является масштабируемой и рассчитана на работу большого количества пользователей и хранение больших объемов данных. Немаловажным свойством данного комплекса является то, что он построен на компонентах, не использующих сторонние закрытые библиотеки, и является полностью российской технологической разработкой. ЛИТЕРАТУРА 1. Клеппман М. Высоконагруженные приложения. Программирование, масштабирование, поддержка. — СПб.: Питер, 2018. — 640 с.: ил. — (Серия «Бестселлеры O’Reilly»). 2. B. Wilder. Cloud Architecture Patterns. O'Reilly Media, 2012. 3. S. Newman. Building Microservices: Designing Fine-Grained Systems. O'Reilly Media, 2017. |