Комплект для распознавания изображений на нейронных сетях

Идея создания искусственного интеллекта, равного человеческому, не покидает умы философов, исследователей. Изучение мозга обусловило появление новых научных отраслей: робототехники, нейробиологии, психологии. В качестве частного примера можно привести теорию искусственной нейронной сети, состоящей из нейронов (минимальных функциональных единиц, преобразующих входящие сигналы) и нейронных связей. Принцип работы заключается в поступлении данных, обработке и выдаче результата с помощью алгоритма похожего на то, как работает биологическая нейронная сеть. В сложных моделях присутствуют и учитываются связи между нейронами. Могут использоваться два и более слоя внутренних подсистем обработки.

Нейронные структуры позволяют не только классифицировать формы и определить сходство, но и выделить особенности природы входного сигнала. Обучение в целях настройки схемы может быть как с учителем (применяется человеческий интеллект), так и без (эталонные на входе и тестируемые на выходе сигналы). Пример практической реализации теории нейронной сети: программное обеспечение в цифровом фотоаппарате. В современных устройствах есть функция поиска лица в кадре. При сборке производитель техники устанавливает во встроенную память как указанное программное обеспечение, так и конфигурацию нейронной сети, полученную в результате обучения.

Исследовательский институт обратился с задачей создания программного модуля с целью реализации математического алгоритма нейронной сети для распознавания изображений. Со стороны ученых на базе общеизвестных подходов к построению подобных структур была разработана собственная методология для создания настроек сети. Дополнительно был реализован макроязык для конфигурации функций нейронов.

Спроектированный модуль может встраиваться в программное обеспечение. Рассчитан на применение как в конечном приложении, выполняющем собственно функцию распознавания изображений, так и для обучения и настройки сети. Сфера применения программного обеспечения распространяется на отрасли науки и техники, где требуется анализ визуального отражения предмета исследования. Приложение может использоваться для определения моделей движущихся автомобилей и номеров, текста. В медицине — для распознавания и анализа рентгеновских снимков, томограмм. Физические и химические лаборатории применяют подобные приложения для изучения графического представления процессов: хроматограммы растворов, реакция на помещенные в вещества индикаторы.

Положительные стороны

• Применение в качестве инструмента для экспериментов.
• Универсальность модуля, позволяющая использование в различных сферах научных исследований.
• Визуализация абстрактных явлений с последующим формированием графического представления процесса, например расслоение раствора в зависимости от входящих в состав веществ.
• Возможность параллельных вычислений.
• Сохранение промежуточных и накопленных результатов обучения.
• Одновременное выполнение функциональной задачи и обучение нейронной сети.