Программные продукты и системы

Статьи из выпуска № 2 за 2020 год.

Упорядочить результаты по: Дате публикации | Заголовку статьи | Авторам

21. Настройка и обучение многослойного персептрона для задачи выделения дорожного покрытия на космических снимках города [№2 за 2020 год]
Авторы: Тормозов В.С., Василенко К.А., Золкин А.Л.
Просмотров: 4328
Статья посвящена применению нейросетевой модели многослойного персептрона к задаче выделения регионов дорожного покрытия на космических снимках городской среды. Решения ее в настоящее время востребованы государственными структурами и предприятиями, занимающимися регулированием транспортных потоков, перевозками в условиях города, а также обновлением географических данных и карт транспортной инфраструктуры. В существующих работах по данной тематике отмечалось, что методы классифицируют на автоматические и полуавтоматические. Подходы, предполагающие частичную вовлеченность человека в его работу, относят к полуавтоматическим. Оператор может задавать пороговые значения, настроечные параметры, отмечать регионы для детектирования и выполнять многие другие операции. Автоматические методы работают без участия человека и, следовательно, быстрее и дешевле полуавтоматических. В статье рассматривается и исследуется метод, применяющий многослойную нейронную сеть для автоматического выделения дорожного покрытия на космических снимках земной поверхности. Его работа основана на ограниченной выборке ранее отмеченных примеров дорожного полотна. Модель построена на основе многослойного персептрона. Входными значениями для рассматриваемого метода являются данные спутниковой съемки в цветовой модели RGB. Это дает возможность задействовать больше информационных каналов, работая с каждым из них отдельно. При этом учитывается контекст каналов пикселя – значения цветовых каналов соседних пикселей изображения. Рассматриваемый метод актуален, так как в связи с расширением улично-дорожной сети и за-стройкой городской среды происходят изменения, которые должны быть отражены в картографических данных. В рамках исследования выполнено соотнесение результатов работы метода с расположением дорожного покрытия улично-дорожной сети города.

22. Сравнительный анализ алгоритмов выявления сообществ в сложных сетевых системах на примере социальных сетей [№2 за 2020 год]
Авторы: Кочкаров А.А., Калашников Н.В., Кочкаров Р.А.
Просмотров: 2994
В работе рассматривается задача выделения сообществ в социальных сетях. Для исследования социальных сетей используется графовый подход. Проведен сравнительный анализ базовых алгоритмов и предложенного авторами агрегированного алгоритма. Для тестирования алгоритмов первоначально были сгенерированы графы с разным уровнем зашумления и заданным числом сообществ. Для сравнения разбиений на графах использовались две известные метрики – Normalized Mutual Information (NMI) и split join distance, каждая из которых обладает своими преимуществами. Для верификации базовых алгоритмов проведен анализ эгографов социальной сети Facebook на наличие в них сообществ, а также апробирован агрегированный алгоритм MetaClust, показавший высокую результативность по сравнению с базовыми. Значения модулярности для его разбиений (в среднем) выше по сравнению с базовыми алгоритмами. О качестве алгоритма также можно судить по отсутствию у распределения модулярности «хвоста». Средние результаты, показанные алгоритмами на сгенерированных графах, соответствуют результатам применения на эгосетях. Для генерации модельных данных представляется целесообразным применять предфрактальные графы и шире использовать класс динамических графов. Последовательность сгенерированных графов сообществ соответствует траектории динамического графа, сообщества представляют собой затравки и блоки, а зашумление – добавление новых ребер разного ранга между затравками. На следующем этапе предполагается осуществить формальное описание зашумления графов в терминологии класса динамических и предфрактальных графов. Использование класса предфрактальных графов позволит вычислять структурные характеристики и свойства графов и сообществ в них.

◄ ← Предыдущая | 1 | 2 | 3