Ключевые слова: генерация контуров, полярное представление, аугментация данных, компьютерное зрение, статистические характеристики, машинное обучение
Метод генерации контуров, сохраняющий характеристики распределения геометрических параметров, по обучающему набору с использованием полярного представления контуров
УДК 004.89
DOI: 10.26102/2310-6018/2024.46.3.012
В статье представлен новый алгоритм аугментации визуальных данных на основе статистических методов. Метод включает в себя оригинальный способ кодирования контуров в виде одномерных векторов, хранящих информацию о расстояниях от центра тяжести до вершин под определенными углами. Предложен алгоритм генерации новых контуров, основанный на статистических характеристиках исходного набора данных и нормальном распределении. Ключевой особенностью метода является сохранение важных статистических свойств исходного набора данных, что подтверждается математическими доказательствами двух основных утверждений об инвариантности математического ожидания и дисперсии. Представлен визуальный пример, демонстрирующий работу метода на реальном контуре. Предложенный подход имеет потенциал для применения в различных областях, включая компьютерное зрение, медицинскую визуализацию и дистанционное зондирование, где генерация и аугментация данных о контурах объектов играют важную роль. Метод может быть особенно полезен в ситуациях, когда сбор реальных данных затруднен или ресурсоемок. Основные результаты получены аналитическим методом – разработанная математическая модель дополнена генератором случайных чисел из распределения с параметрами, рассчитанными на базе обучающего набора данных. Параметры подобраны таким образом, чтобы основные статистические характеристики обучающего набора данных сохранялись на синтетических данных, что позволяет эффективно применять предложенный алгоритм к широкому классу задач распознавания образов.
1. Калашников В.А. Исследование методов аугментации в задаче сегментации камней на конвейере предприятия горной промышленности. Современная наука: актуальные проблемы теории и практики. Серия: Естественные и технические науки. 2024;(1):69–71.
2. Веселов Д.И., Андриянов Н.А. Сегментация медицинских изображений с использованием методов компьютерного зрения. В сборнике: Радиолокация, навигация, связь: Сборник трудов XXX Международной научно-технической конференции: Том 2, 16–18 апреля 2024 года, Воронеж, Россия. Воронеж: Издательский дом ВГУ; 2024. С. 75–80.
3. Шелепов Л.К., Поляков А.Н. Оптимизация формирования набора данных для обучения модели YOLO с использованием данных ДЗЗ. В сборнике: Far East Math – 2023: Материалы национальной научной конференции, 04–09 декабря 2023 года, Хабаровск, Россия. Хабаровск: Тихоокеанский государственный университет; 2024. С. 146–150.
4. Ахмад A., Андриянов Н.А., Соловьев В.И., Соломатин Д.А. Применение глубокого обучения для аугментации и генерации подводного набора данных с промышленными объектами. Вестник Южно-Уральского государственного университета. Серия: Компьютерные технологии, управление, радиоэлектроника. 2023;23(2):5–16. https://doi.org/10.14529/ctcr230201
5. Трубин А.Е., Морозов А.А., Зубанова А.Е., Ожередов В.А., Корепанова В.С. Методика предобработки данных машинного обучения для решения задач компьютерного зрения. Прикладная информатика. 2022;17(4):47–56. https://doi.org/10.37791/2687-0649-2022-17-4-47-56
6. Гибадуллин А.А. Генерация виртуальной реальности. Академическая публицистика. 2023;(12 2):231–233.
7. Cheong Hou Y., Sahari K.S.M. Self-Generated Dataset for Category and Pose Estimation of Deformable Object. Journal of Robotics, Networking and Artificial Life. 2019;5(4):217–222. https://doi.org/10.2991/jrnal.k.190220.001
8. Gao X., Nguyen M., Yan W.Q. A High-Accuracy Deformable Model for Human Face Mask Detection. In: Image and Video Technology: 11th Pacific-Rim Symposium (PSIVT 2023): Proceedings, 22–24 November 2023, Auckland, New Zealand. Singapore: Springer; 2024. pp. 96–109. https://doi.org/10.1007/978-981-97-0376-0_8
9. Kramer D., Van der Merwe J., Lüthi M. A combined active shape and mean appearance model for the reconstruction of segmental bone loss. Medical Engineering & Physics. 2022;110. https://doi.org/10.1016/j.medengphy.2022.103841
10. Yuan H., Yanai K. Multi-Style Shape Matching GAN for Text Images. IEICE Transactions on Information and Systems. 2024;E107.D(4):505–514. https://doi.org/10.1587/transinf.2023IHP0010
11. Ribeiro T.F.R., Silva F., de C. Costa R.L. Reconstructing Spatiotemporal Data with C VAEs. In: Advances in Databases and Information Systems: 27th European Conference (ADBIS 2023): Proceedings, 04–07 September 2023, Barcelona, Spain. Cham: Springer; 2023. pp. 59–73. https://doi.org/10.1007/978-3-031-42914-9_5
Ключевые слова: генерация контуров, полярное представление, аугментация данных, компьютерное зрение, статистические характеристики, машинное обучение
Для цитирования: Калашников В.А. Метод генерации контуров, сохраняющий характеристики распределения геометрических параметров, по обучающему набору с использованием полярного представления контуров. Моделирование, оптимизация и информационные технологии. 2024;12(3). Доступно по: https://moitvivt.ru/ru/journal/pdf?id=1626 DOI: 10.26102/2310-6018/2024.46.3.012
Поступила в редакцию 10.07.2024
Поступила после рецензирования 17.07.2024
Принята к публикации 24.07.2024