ІДЕНТИФІКАЦІЯ ЛЮДЕЙ У ПОШУКОВО-РЯТУВАЛЬНИХ ОПЕРАЦІЯХ ЗА ДОПОМОГОЮ КОНВОЛЮЦІЙНИХ НЕЙРОННИХ МЕРЕЖ

Анотація

З метою підвищення точності ідентифікації людей на зображеннях під час пошуково-рятувальних операцій в роботі запропоновано удосконалений підхід з використанням конволюційних нейронних мереж. Розроблено глибинну конволюційну мережу з каскадним розташуванням конволюційних і пулінгових шарів. Проведено експериментальні дослідження з різними оптимізаторами навчання, зокрема Nadam, RMSprop, Adam, SGD, Adamax та Adagrad.

Експерименти з розмірами ядер конволюції показали, що збільшення розміру з 3×3 до 5×5 покращує точність моделі, тоді як зменшення до 2×2 призводить до погіршення результатів. Досліджено вплив кількості фільтрів у конволюційних шарах: збільшенняїх кількості вдвічі (64, 128, 256, 512 відповідно) підвищило ефективність, а зменшення (16, 32, 64, 128 відповідно) знизило точність моделі.

Найкращі результати досягнуто з оптимізатором Nadam, розміром ядра 5×5 та збільшеною кількістю фільтрів. При цьому, F1-score – 0.91, точність – 0.92. Доповнення (аугментація) вхідних даних (відображення, трансформації зсуву, повороти, збільшення) дозволило підвищити стійкість моделі до перенавчання та покращити її точність.

The paper proposes an approach to improving a human identification system on the images for application in search and rescue operations by using convolutional neural networks. A deep convolutional neural network with cascaded arrangement of convolutional and pooling layers has been developed. Experimental studies were conducted with various training optimizers, including Nadam, RMSprop, Adam, SGD, Adamax, and Adagrad.

Experiments with the different convolution kernel size showed that increasing the size from 3×3 to 5×5 improves model accuracy, while reducing to 2×2 leads to the accuracy degradation. The influence of the number of filters in convolutional layers was investigated: doubling the filters (64, 128, 256, 512 accordingly) increased efficiency, while their reduction (16, 32, 64, 128 accordingly) decreased model accuracy.

The best results were achieved with the Nadam optimizer, kernel size 5×5, and increased number of filters: F1-score 0.91 and accuracy 0.92. Tha application of data augmentation techniques enhanced the robustness of the proposed model against overfitting and improved model’s accuracy.