ВОПРОСЫ УПОРЯДОЧИВАНИЯ ОБЪЕКТОВ НА ИЗОБРАЖЕНИИ С ИСПОЛЬЗОВАНИЕМ НЕЙРОСЕТЕВЫХ И ЭВРИСТИЧЕСКИХ АЛГОРИТМОВ

В последнее время в космической отрасли и автомобилестроении широко применяются алгоритмы машинного зрения. В задачах компьютерного зрения может потребоваться определение порядка расположения предметов в пространстве. На первый взгляд, данная задача кажется тривиальной, но условия фотографирования сильно влияют на качество результата. Существует целое множество решений для нахождения порядка расположения объек-тов на изображениях. При этом большинство из них оказываются малоприменимыми для работы с рукотворными объектами. Один из частных случаев данной задачи – упорядочивание объектов по плоской таблице. Основными проблемами при ее решении являются фотографии с перспективными искажениями и небольшими смещениями объектов относительно друг друга. В данной статье изложены результаты проведенных исследований этого направ-ления, рассмотрены эвристический и нейросетевой подходы к решению. Нейросетевой метод показал наиболее удовлетворительные результаты, а архитектура спроектированной нейронной сети, описанной в статье, названа авторами нейротабулятором.

нейросети, глубокое обучение, наборы данных, нейротабулятор, распознавание образов.

1. The Stanford Calibration Grid Detector. URL: https://graphics.stanford.edu (дата обращения: 20.11.2018).

2. Simple and effective table detection system from documents images. URL: https://www.researchgate.net (дата обращения: 20.11.2018).

3. Table Detection Using Deep Learning. URL: https://www.researchgate.net (дата обра-щения: 20.11.2018).

4. IOu. URL: https://www.pyimagesearch.com (дата обращения: 20.11.2018).

5. Minichino J., Howse J. Learning OpenCV 3 Computer Vision with Python. Second Edi-tion. Birmingham : Packt Publishing, 2015. 266 p.

6. Бесшапошников Н. О., Кузьменко М. А., Леонов А. Г., Матюшин М. А. Некото-рые вопросы эффективности детерминированных алгоритмов распознавания образов с помощью библиотеки OpenCV // Математическое и компьютерное моделирование сложных систем: теоретические и прикладные аспекты : тр. НИИСИ РАН. М. : ФГУ ФНЦ НИИСИ РАН, 2018. Т. 8, № 2. С. 65–68.

7. Перцептрон. URL: http://www.machinelearning.ru (дата обращения: 20.11.2018).

8. Сверточная нейронная сеть. URL: https://habr.com (дата обращения: 20.11.2018).

9. Проективные координаты и проективные преобразования. URL: http://old.pskgu.ru/ ebooks/musch/musch_06_03.pdf (дата обращения: 20.11.2018).