МЕТОД ІДЕНТИФІКАЦІЇ КЛЮЧОВИХ ЕЛЕМЕНТІВ ЦИФРОВОГО ЗОБРАЖЕННЯ В ПРИЙНЯТТІ РІШЕННЯ КЛАСИФІКАЦІЇ НЕЙРОННОЮ МЕРЕЖЕЮ

Анотація

Дослідження присвячене вирішенню проблеми оцінювання якості даних для тренування нейронних мереж шляхом виділення значущих елементів цифрового зображення, на які спирається нейромережевий алгоритм для класифікації. Адже, як відомо, в реалізації комп’ютерного зору широко застосовуються системи класифікації зображення, які цілковите зображення відносять до окремого класу без виокремлення на ньому окремих об’єктів. Це – задача комп’ютерного зору. Для задач класифікації часто використовують заздалегідь навчені на тренувальних даних згорткові нейронні мережі. При цьому невирішеним залишається завдання, на які саме елементи спирається нейронна мережа для прийняття конкретного рішення. В статті представлено метод конкурентного процесу градієнтного спуску для виділення деталей (елементів), які в процесі класифікації були значимими, тобто ключовими. Цей метод передбачає конкуренцію процесу знищення деталей зображення з процесом збереження результатів класифікації. На прикладі самостійно навченої нейронної мережі автори проаналізували наявність деталей цифрового зображення, яке отримало класифікацію, на візуальну оцінку експертом наявності елементів безпосередньо об’єкта класифікації після застосування розробленого метода. Завдяки цьому методу результати деградації деталей цифрового зображення із збереженням якості класифікації, архітектура використаної нейронної мережі є довільною. Це дало змогу порівняти зони акценту уваги нейронних мереж різної архітектури: згорткової архітектури та архітектури мікшування. За результатами дослідження запропоновано метод локалізації уваги нейронної мережі з довільною архітектурою. Збережені елементи на деградованому зображенні можуть дати додаткову інформацію про валідність класифікації конкретною нейронною мережею. Це можна оцінити за локалізацією збережених елементів. Наприклад, приналежність елементів об’єкту класифікації свідчить про високу ймовірність правильної роботи нейронної мережі. Тобто якщо збережені елементи не належать об’єктові класифікації, то робиться висновок про відсутність репрезентативності даних для навчання (наприклад, один з об’єктів частіше зустрічається на характерному фоновому тлі). Проведене експериментальне дослідження показало переваги запропонованого методу порівняно з аналогами: досягається підвищення точності локалізації значущих деталей (елементів), забезпечується наявність інформації про глобальні значущі елементи цифрового зображення та їх форму, а також придатність методу для застосування для інших, окрім згорткових, типів нейронних мереж.