Совершенствование топологии нейросетевой модели для сегментации объектов на цифровых снимках на основе сверточных нейронных сетей
(Стр. 57-63)

В настоящее время сверточные нейронные сети продемонстрировали значительный прирост производительности по сравнению с традиционными методами машинного обучения при решении различных реальных задач в области вычислительного интеллекта, таких как классификация цифровых изображений. Однако для достижения наилучшей точности топология сети должна быть смоделирована с помощью различных архитектур с разным количеством фильтров, размером ядра, количеством слоев и т.д., что актуализирует задачу выработки и обоснования соответствующих методов отбора. Учитывая отмеченное, цель статьи заключается в обосновании подхода, который позволит усовершенствовать топологию нейросетевой модели для сегментации объектов на цифровых снимках на основе сверточных нейронных сетей. Методы исследования – системный анализ, моделирование, теория машинного обучения и нечеткой логики, теория принятия решений. В результате проведенного анализа в статье предложен алгоритм, который позволяет усовершенствовать топологию нейросетевой модели на основе дифференциальной эволюции для оптимизации точности сегментации изображений и времени обучения сети. Дифференциальная эволюция применяется для определения оптимального количества слоев в топологии сети, что способствует более быстрой сходимости. В рамках предложенного алгоритма был выделен этап кодирования для представления структуры каждой сети с помощью целочисленного массива фиксированной длины, после чего предложено использовать процессы дифференциальной эволюции (мутация, рекомбинация и отбор) для эффективного исследования пространства поиска. Перспективы дальнейших исследований заключаются в разработке способов и приемов, позволяющих закодировать решение-кандидат, используя разное количество скрытых блоков в каждой свертке.

ОБРАЗЕЦ ЦИТИРОВАНИЯ: Куликов А.А. Совершенствование топологии нейросетевой модели для сегментации объектов на цифровых снимках на основе сверточных нейронных сетей // Computational Nanotechnology. 2024. Т. 11. № 3. С. 57-63. DOI: 10.33693/2313-223X-2024-11-3-57-63. EDN: QGYEQJ

Цыгулев К.С. Применение сверточных нейронных сетей для сегментации объектов на изображениях // Научно-техническое и экономическое сотрудничество стран АТР в XXI веке. 2021. № 2. С. 308–312.
Братухин Д. Сегментация пламени на изображении с использованием сверточной нейронной сети U-NET // Norwegian Journal of Development of the International Science. 2021. № 64. С. 31–33.
Годунов А.И., Баланян С.Т., Егоров П.С. Сегментация изображений и распознавание объектов на основе технологии сверточных нейронных сетей // Надежность и качество сложных систем. 2021. № 3 (35). С. 62–73.
Луценко В.С., Шухман А.Е. Сегментация медицинских изображений сверточными нейронными сетями // Вестник компьютерных и информационных технологий. 2022. № 6 (216): С. 40–50.
Binjun He Wenbin Hu. Image segmentation algorithm of lung cancer based on neural network model // Expert Systems. 2021. No. 39. Pp. 145–152.
Srinitya G., Sharmila D. Certain investigations on image segmentation algorithms on synthetic aperture radar images and classification using convolution neural network // Concurrency and Computation: Practice and Experience. 2021. No. 34. Pp. 73–79.
Kai Su, Xin Zhang. Convolutional neural network based image segmentation algorithm for dual-layer LCDs // SID Symposium Digest of Technical Papers. 2022. No. 53. Pp. 110–119.
Березовский И.И. Обзор сверточных нейронных сетей для сегментации медицинских изображений // Трибуна ученого. 2022. № 6. С. 59–67.
Ложкин И.А. Аугментация наборов изображений для обучения нейронных сетей при решении задач семантической сегментации // International Journal of Open Information Technologies. 2023. № 1. С. 109–117.
Xiao Qing Zhang, Guang Yu Wang. COVSeg-NET: A deep convolution neural network for COVID-19 lung CT image segmentation // International Journal of Imaging Systems and Technology. 2021. No. 31. Pp. 38–46.
Aarthi Sundaram, Chitrakala Sakthivel. Object detection and estimation: A hybrid image segmentation technique using convolutional neural network model // Concurrency and Computation: Practice and Experience. 2022. No. 34. Pp. 65–73.
Yuma Hakumura, Taiyo Ito. Loss function for ambiguous boundaries for deep neural network (DNN) for image segmentation // Electronics and Communications in Japan. 2023. No. 4. Pp. 149–153.
Михайлов А.А. Автоматическая разметка данных для сегментации изображений документов с использованием глубоких нейронных сетей // Труды Института системного программирования РАН. 2022. № 6. С. 137–146.
Катаев М.Ю., Карташов Е.Ю., Рябухин В.В. и др. Методика сегментации изображений беспилотных летательных аппаратов с помощью нейронных сетей // Современные проблемы дистанционного зондирования Земли из космоса. 2023. № 1. С. 55–66.
Jie Yang, Yong Chen. Convolutional neural network based on the fusion of image classification and segmentation module for weed detection in alfalfa // Pest Management Science. 2024. No. 56. Pp. 91–99.
Tayebeh Lotfi Mahyari, Richard M. Dansereau multi-layer random walker image segmentation for overlapped cervical cells using probabilistic deep learning methods // IET Image Processing. 2022. No. 16. Pp. 205–211.
Черненький И.М. Сегментация почечных структур по изображениям контрастной компьютерной томографии с помощью сверточной нейронной сети // Сеченовский вестник. 2023. № 1. С. 39–49.
Ginni Arora, Ashwani Kumar Dubey. Architecture of an effective convolutional deep neural network for segmentation of skin lesion in dermoscopic images // Expert Systems. 2021. No. 40. Pp. 69–94.
Андрианова А.И., Переверзева В.И., Шананин В.А. Применение семантических нейросетей в обработке изображений // Инновации и инвестиции. 2022. № 11. С. 224–227.
Michael Osadebey, Marius Pedersen. Enhancement of clustering techniques by coupling clustering tree and neural network: Application to brain tumour segmentation // Expert Systems. 2022. No. 40. Pp. 72–78.

нейронная сеть, алгоритм, топология, сегментация, изображение, мутация, популяция.