ЖЫЛЖЫМАЛЫ ОБЪЕКТІЛЕРДІ АНЫҚТАУ ҮШІН КОМПЬЮТЕРЛІК КӨРУ АЛГОРИТМДЕРІН ҚОЛДАНУ

Бейнебақылау жүйелерімен қозғалатын объектілерді тану мәселелерін шешу үшін әмбебап алгоритмдер жоқ. Алайда, әр түрлі жүйелер үшін және әр түрлі жағдайларда объектілерді тануға мүмкіндік беретін белгілі бір алгоритм ғана оңтайлы болып табылады. Бұл мақалада тану сапасына әсер ететін интеллектуалды алгоритмдердің тұрақтылығына талдау жасалады және объектілерді анықтаудың, адамдардың жіктелуінің және гендерлік айырмашылықтарды танудың біртұтас құрылымына әкелетін кешенді тәсіл қарастырылады. Үлгіні тану саласындағы жинақталған тәжірибе медицинада, өнеркәсіптік секторда, ақпаратты өңдеу және бейнебақылау жүйелерінде әртүрлі құрылғылар мен жүйелерді құруда жоғары нәтижелерге қол жеткізуге мүмкіндік берді. Дегенмен, компьютерлік көру және динамикалық нысандарды оптикалық тану технологиялары бейнекамералар мен құрылғылардың әртүрлілігіне байланысты ғылыми зерттеудің өте күрделі бөлігі болып қала береді. Сондай-ақ, ең алдымен, адамдар көп жиналатын орындардағы қауіпсіздік, тәртіпсіздікті анықтау және т. б. мақсатында қолданудың кең спектрі. Бұл зерттеу бейне ағындарындағы адамдарды анықтау және жіктеу, олардың санын анықтау және жынысын анықтау үшін компьютерлік көру және терең оқыту алгоритмдерін пайдалана отырып, бағдарламалық жүйені әзірлеудің негізгі міндеттерін ұсынады.

1. Интеллектуальные системы видеонаблюдения [Электронный ресурс] – Режим доступа: https://www.mascomvostok.ru/service/intellektualnye-sistemy-videonablyudeniya/ (Дата обращения: 08.02.2025).

2. Chen K. Gender Classification Based on Deep Learning in Computer Vision / K. Chen, Y. Li, J. Wu // IEEE Access. – 2019. – № 7. – Р. 117175-117184.

3. Karkkainen K. FairFace: Face Attribute Dataset for Balanced Race, Gender, and Age for Bias Measurement and Mitigation / K. Karkkainen, J. Joo // In Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision. – 2021 – Р. 1548-1558.

4. Колбасов С.Ю., Орлов Ю.К. Сравнение эффективности обнаружения объектов современных сверточных нейронных сетей. [Электронный ресурс] – Режим доступа: https://masters.donntu.ru/2020/fknt/kolbasov/library/article2.pdf (Дата обращения: 03.03.2025).

5. LightCSPNet: A Lightweight Network for Image Classification and Objection Detection / С. Wang et al // International Journal of Computational Intelligence Systems. – 2023. – № 16(1). – Р. 46. https://doi.org/10.1007/s44196-023-00226-5.

6. You Only Look Once: Unified Real-Time Object Detection / J. Redmon et al // In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). – 2016. https://arxiv.org/abs/1506.02640.

7. Mahmood A. Human Detection Using CNN for Autonomous Systems / A. Mahmood, H. Liu, S. Wong // Journal of Robotics. – 2016.

8. Vasilescu M.A.O. Multilinear analysis of image ensembles: Tensor-Faces, in ECCV 2002 / M.A.O. Vasilescu, D. Terzopoulos // Proceedings of the 7th European Conference on Computer Vision. – 2002. – V. 2350 of Lecture Notes in Computer Science. – P. 447-460.

9. Набор данных СОСО. [Электронный ресурс] – Режим доступа: https://docs.ultralytics.com/ru/datasets/detect/coco/

10. PyTorch torchvision COCO Dataset. [Электронный ресурс] – Режим доступа: https://skine.ru/articles/338448/

11. COCO Dataset: All You Need to Know to Get Started. [Электронный ресурс] – Режим доступа: https://www.v7labs.com/blog/coco-dataset-guide