УДК 004.932
МЕТОДИКА ФОРМИРОВАНИЯ РАСШИРЕННОГО НАБОРА ОБУЧАЮЩИХ ДАННЫХ ДЛЯ АНАЛИЗА ТРАНСПОРТНЫХ ПОТОКОВ С ПРИМЕНЕНИЕМ ГЛУБОКИХ НЕЙРОННЫХ СЕТЕЙ
Н. В. Андреянов, старший преподаватель кафедры АСОИУ КНИТУ-КАИ, Казань, Россия;
orcid.org/0000-0003-4072-2609, e-mail: Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.
М. М. Ляшева, ассистент кафедры АСОИУ КНИТУ-КАИ, Казань, Россия;
orcid.org/ 0009-0002-9229-6867, e-mail: Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.
М. П. Шлеймович, к.т.н., доцент, заведующий кафедрой АСОИУ КНИТУ-КАИ, Казань, Россия;
orcid.org/0000-0002-3021-5139, e-mail: Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.
Д. В. Щербаков, аспирант КНИТУ-КАИ, Казань, Россия;
orcid.org/ 0009-0007-0838-5813, e-mail: Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.
Рассматривается задача расширения наборов данных для обучения глубоких нейронных сетей, посредством которых осуществляется анализ видеоизображений улично-дорожных сцен с целью подготовки информации для построения имитационных моделей городских транспортных потоков. Проведен анализ методов аугментации. Показано, что можно повысить точность обнаружения транспортных средств на изображениях с помощью применения геометрических и цветовых преобразований исходных данных для расширения имеющегося обучающего набора. Предложена методика формирования расширенного набора на основе выделения объектов на изображениях. В качестве основы для построения процедуры согласно данной методике предусмотрено применение алгоритмов сегментации изображений GrabCut, морфологической обработки изображений для формирования карт trimap и матирования изображений AlphaMatting. Приведены результаты экспериментов с набором реальных изображений городской улично-дорожной сети, которые показывают возможность применения методики для решения рассматриваемой задачи расширения наборов обучающих данных.
Ключевые слова: моделирование транспортных потоков, обнаружение объектов на изображениях, глубокое обучение, аугментация, расширение наборов данных, преобразование изображений, матирование изображений, интерактивная сегментация.