Авторитетность издания
ВАК - К1
RSCI, ядро РИНЦ
Добавить в закладки
Следующий номер на сайте
№3
Ожидается:
13 Сентября 2024
Статьи журнала №2 2020
21. Настройка и обучение многослойного персептрона для задачи выделения дорожного покрытия на космических снимках города [№2 за 2020 год]Авторы: Тормозов В.С. (007465@pnu.edu.ru) - Тихоокеанский государственный университет (ст. преподаватель); Василенко К.А. (k2857@mail.ru) - Колледж сервиса и дизайна при Владивостокском университете экономики и сервиса (ВГУЭС) (преподаватель); Золкин А.Л. (alzolkin@list.ru) - Поволжский государственный университет телекоммуникаций и информатики (доцент кафедры информатики и вычислительной техники ), кандидат технических наук;
Аннотация: 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.
Abstract: The paper considers the neural network model application for a multi-layer perceptron to identifying road surface region problems on the urban environment satellite images. Government agencies and en-terprises involved in regulating transport flows currently need to solve this problem, as well as to up-date geographical data and maps of transport infrastructure. In existing works on this topic, there are automatic and semi-automatic methods. Approaches that involve a person’s partial involvement in their work are semi-automatic. The operator can set thresholds, setting parameters, mark regions for detection, and do many other operations. Automatic methods work without human involvement and therefore faster and cheaper than semi-automatic ones.
The paper examines and explores a method that uses a multilayer neural network to automatically highlight the road surface on the Earth 's surface cosmic images. In its paper, the method is based on a limited sample of roadway previously noted examples. The model has a multilayer perceptron founda-tion. The input values for the method in question are satellite survey data in the RGB color model. This makes it possible to use more information channels individually. This also takes into account the pixel channel context: values of the image adjacent pixel color channels.
The method in question is relevant, as the expansion of street road network and urban development are changing and should be reflected in the mapping data. The results of the method were with the lo-cation of the road surface of the city's road network.
Ключевые слова: цифровая обработка изображений, искусственный интеллект, машинное обучение, распознавание образов, детектирование дорожного полотна, уличная дорожная сеть, искусственная нейронная сеть, спутниковые снимкиKeywords: digital image processing, artificial intelligence, machine learning, pattern recognition, roadway detection, street road network, artificial network, satellite imagery
Просмотров: 4838
22. Сравнительный анализ алгоритмов выявления сообществ в сложных сетевых системах на примере социальных сетей [№2 за 2020 год]
Авторы: Кочкаров А.А. (AKochkarov@oaorti.ru) - Компания «РТИ», Финансовый университет при Правительстве Российской Федерации, (зам. директора Научно-тематического центра), кандидат физико-математических наук; Калашников Н.В. (nikita_007_94@mail.ru) - Финансовый университет при Правительстве РФ (соискатель); Кочкаров Р.А. (rasul_kochkarov@mail.ru) - Финансовый университет при Правительстве РФ (доцент), кандидат экономических наук;
Аннотация: 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.
Abstract: The paper considers the identifying community in social networks. There is a graphical approach to the study of social networks. There is a comparative analysis of the basic algorithms and the aggregate al-gorithm proposed by the authors.
To test the algorithms, the authors generated graphs initially with different noise levels and gave a community number. To compare graph partitions, two well-known metrics the authors used – Normal-ized Mutual Information (NMI) and Split join distance. Each of the metrics has its own advantages.
To verify the basic algorithms, and analysis the authors made of the Facebook social network geo-graphic for the community presence in them and tested the aggregated MetaClust algorithm. The pro-posed MetaClust algorithm showed high performance compared to the base ones. The modularity val-ues for its partitions (on average) are higher compared to the basic algorithms. Also, the algorithm qual-ity can be judged by the absence of a “tail” modularity in the distribution. The average results shown by the algorithms on the generated graphs correspond to the application results on the ego networks.
To generate model data, it seems appropriate to use pre-fractal graphs and a wider class of dynamic graphs. The sequence of generated community graphs corresponds to the dynamic graph trajectory, the communities are seeds and blocks, and the noise is the addition of the new edge different ranks be-tween the seeds.
The next step is a formal description of the graphs’ noise in the class terminology of the dynamic and pre fractal graphs. Using the pre fractal graph class will allow us to calculate the structural charac-teristics and of graph properties and communities in them.
Ключевые слова: динамический граф, агрегированный алгоритм, базовые алгоритмы, сообщества, социальные сетиKeywords: dynamic graph, aggregated algorithm, basic algorithms, communities, social networks
Просмотров: 3195
◄ ← Предыдущая | 1 | 2 | 3