ivdon3@bk.ru
Статья представляет обзор метрик, используемых для оценки качества изображений, полученных с помощью генеративных моделей. Для них требуются специализированные метрики, позволяющие объективно оценивать качество изображений. Сравнительный анализ показал, что для комплексной оценки качества генерации необходимо сочетание различных метрик. Перцептивные метрики эффективны для оценки качества изображений с точки зрения машинных систем, в то время как метрики, оценивающие структуру и детали, полезны для анализа восприятия человеком. Метрики, основанные на текстовом описании, позволяют оценить соответствие изображений заданным текстам, однако они не могут заменить метрики, направленные на визуальную или структурную оценку. Результаты исследования будут полезны специалистам в области машинного обучения и компьютерного зрения, а также способствуют улучшению алгоритмов генерации и расширению областей применения диффузионных моделей.
Ключевые слова: глубокое обучение, метрика, генеративная модель, качество изображений, изображение
1.2.1 - Искусственный интеллект и машинное обучение , 1.2.2 - Математическое моделирование, численные методы и комплексы программ
Статья представляет собой анализ современных методов генерации изображений: вариационных автоэнкодеров (Variational Autoencoder - VAE), генеративных состязательных сетей (Generative Adversarial Networks - GAN) и диффузионных моделей. Основное внимание уделено сравнительному анализу их производительности, качеству генерации и вычислительным требованиям. Для оценки качества изображений используется метрика расстояние Фреше между распределениями признаков (Fréchet Inception Distance - FID). Диффузионные модели показали наилучшие результаты (FID 20.8), превосходя VAE (FID 59.75) и GAN (FID 38.9), но требуют значительных ресурсов. VAE стабильны, но генерируют размытые изображения. GAN обеспечивают высокое качество, но страдают от нестабильности обучения и коллапса моды. Диффузионные модели, благодаря пошаговому декодированию шума, сочетают детализацию и структурированность, что делает их наиболее перспективными. Также рассмотрены методы генерации из изображения в изображение, применяемые для модификации изображений. Результаты исследования полезны для специалистов в области машинного обучения и компьютерного зрения, способствуя улучшению алгоритмов и расширению областей применения генеративных моделей.
Ключевые слова: дипфейк, глубокое обучение, искусственный интеллект, GAN, VAE, диффузионная модель
1.2.1 - Искусственный интеллект и машинное обучение , 1.2.2 - Математическое моделирование, численные методы и комплексы программ
Данная статья посвящена разработке метода обнаружения дефектов на поверхности изделия на основе методов выявления аномалий с использованием экстрактора признаков, основанного на сверточной нейронной сети. Метод предполагает использование машинного обучения для обучения моделей классификации на основе полученных признаков со слоя предварительно обученной нейросети U-Net. В рамках исследования происходит обучение автоэнкодера на основе модели U-Net на данных, не содержащих изображений дефектов. Полученные из нейросети признаки классифицируются с помощью классических алгоритмов выявления аномалий в данных. Данный метод позволяет локализовать области аномалий в тестовой выборке данных, когда для обучения доступны только образцы без аномалий. Предлагаемый метод не только предоставляет возможность обнаружения аномалий, но и обладает высоким потенциалом для автоматизации процессов контроля качества в различных отраслях промышленности, включая производство, медицину и информационную безопасность. Благодаря преимуществам моделей машинного обучения без учителя, таких как устойчивость к неизвестным формам аномалий, данный метод может значительно улучшить эффективность контроля качества и диагностику, что в свою очередь сократит расходы и повысит производительность. Предполагается, что дальнейшие исследования в этой области приведут к еще более точным и надежным методам выявления аномалий, что будет способствовать развитию индустрии и науки.
Ключевые слова: U-Net, нейросеть, классификация, аномалия, дефект, классификация новых признаков, автоэнкодер, машинное обучение, изображение, качество изделия, производительность
Данная статья представляет исследование, посвященное применению нейросетевой модели YOLOv8 для обнаружения дорожных знаков. В ходе исследования была разработана и обучена модель на основе YOLOv8, которая успешно детектируют дорожные знаки в реальном времени. Статья также представляет результаты экспериментов, в которых модель YOLOv8 сравнивается с другими широко используемыми методами обнаружения знаков. Полученные результаты имеют практическую значимость в области безопасности дорожного движения, предлагая инновационный подход к автоматическому обнаружению дорожных знаков, что способствует улучшению контроля скорости и снижению аварийности на дорогах.
Ключевые слова: машинное обучение, дорожные знаки, сверточные нейронные сети, распознавание образов
1.2.2 - Математическое моделирование, численные методы и комплексы программ , 2.3.1 - Системный анализ, управление и обработка информации
Исследование способов ускорения обучения нейронных сетей с помощью генетических алгоритмов и изучение зависимости скорости работы генетических алгоритмов от коэффициента мутации. В данном исследовании была реализована программа на графической платформе «Unity» с использованием генетических алгоритмов и мутациями для определения оптимального их коэффициента. Проведенный эксперимент показал, что скорость обучения действительно зависит от коэффициента мутации, а наибольшая скорость обучения получилась при 5-7,5%.
Ключевые слова: машинное обучение, глубокое обучение, генетический алгоритм, оптимизация, нейронная сеть, искусственный нейрон, мутация, искусственный интеллект, неигровой персонаж, оптимизация
1.2.2 - Математическое моделирование, численные методы и комплексы программ
В статье рассмотрен опыт проведения комплекса уникальных работ по повышению эксплуатационной надежности аварийных офисных зданий, находящихся в условиях стесненной застройки, основной задачей которых было устранение сверхнормативных кренов с помощью гидравлических домкратов и обеспечение дальнейшей безаварийной эксплуатации. Отмечены основные особенности конструктивных и технологических решений по одновременному подъему и выравниванию нескольких зданий с различными проектными решениями.
Ключевые слова: регулируемый фундамент, электрогидравлическая система с плоскими домкратами, стесненная застройка, подъем и выравнивание, эксплуатационная надежность
Рассматривается методика оценки реконфигурируемой вычислительной системы в состояниях эффективного функционирования, учитывающая структуру проблемно-ориентированных вычислителей. В качестве основного математического аппарата использованы теория дискретных марковских процессов и методы теоретико-игровой оптимизации.
Ключевые слова: реконфигурируемая вычислительная система, марковские процессы, теоретико-игровая оптимизация, структура проблемно-ориентированных вычислителей
05.13.01 - Системный анализ, управление и обработка информации (по отраслям)