ДОСЛІДЖЕННЯ НЕЙРОМЕРЕЖЕВИХ ПІДХОДІВ ДО АНАЛІЗУ ВІДЕООБ’ЄКТІВ ІЗ ЗАСТОСУВАННЯМ GOOGLE CORAL

Abstract

Зростання обсягів відеоданих у різних галузях (безпека, медицина, транспорт, технічні науки) актуалізує необхідність ефективної автоматичної обробки цих даних. Особливо важливими завданнями є класифікація та сегментація об’єктів на відео. Висока роздільна здатність сучасного відео створює додаткові виклики, зокрема щодо обробки в реальному часі, що потребує використання як оптимізованих моделей, так і апаратних прискорювачів. Одним із рішень є Google Coral – пристрій, що дозволяє прискорити виконання нейронних мереж без суттєвих втрат у точності. У цьому дослідженні акцент зроблено на підвищенні ефективності моделей глибокого навчання шляхом підбору оптимальних параметрів навчання для забезпечення точного й швидкого розпізнавання об'єктів на відео. У роботі досліджено методи, моделі та інформаційні технології, призначені для класифікації і сегментації об’єктів на відео з використанням нейронних мереж і апаратного прискорювача Google Coral. Основну увагу приділено оптимізації параметрів навчання моделей на основі архітектур SSD/FPN MobileNet V1, MobileNet V2 та SSDLite MobileNet V2. Запропоновано підхід, що дозволяє досягти високої точності при класифікації і сегментації об’єктів у відео за мінімального часу навчання. Розроблено програмний комплекс з графічним інтерфейсом, реалізований із використанням Python, TensorFlow та OpenCV. Проведено порівняльний аналіз ефективності методів класифікації та сегментації, а також розглянуто можливості реалізації систем в середовищі обмежених ресурсів. Наукова новизна полягає в удосконаленні моделей нейронних мереж для класифікації та сегментації об’єктів на відео з застосуванням апаратного прискорювача Google Coral, що дозволило підвищити швидкість навчання та точність класифікації. Практична цінність полягає в реалізації методів та моделей нейронних мереж для класифікації та сегментації об’єктів на відео за допомогою Google Coral, які можна використовувати на різних апаратних платформах.