МЕТОД АУГМЕНТАЦИИ ДАННЫХ ДЛЯ УЛУЧШЕНИЯ КАЧЕСТВА РАСПОЗНАВАНИЯ ИЗОБРАЖЕНИЙ ЭЛЕКТРОННОЙ КОММЕРЦИИ

##plugins.themes.bootstrap3.article.sidebar##

Просмотров аннотации: 140
Загрузок PDF: 94
pdf (rus)
Опубликован: окт 31, 2023
DOI: https://doi.org/10.52928/2070-1624-2023-41-2-29-34
Ключевые слова:
convolutional neural network, image recognition, segmentation, shadow generation, e-commerce сверточная нейронная сеть, распознавание изображений, сегментация, генерация теней, электронная коммерция
Выпуск
№ 2 (2023)
Раздел
Информатика, вычислительная техника и управление

##plugins.themes.bootstrap3.article.main##

В. В. СОРОКИНА
Белорусский государственный университет, Минск
С. В. АБЛАМЕЙКО
Белорусский государственный университет, Минск; Объединённый институт проблем информатики НАН Беларуси, Минск

Аннотация

В быстро развивающейся сфере электронной коммерции визуальное представление товаров играет ключевую роль в привлечении потребителей и повышении коэффициента конверсии. В статье представлен новый метод аугментации изображений, который включает в себя сегментацию изображений, определение доминирующего цвета, замену фона и реалистичную генерацию теней. В совокупности эти шаги способствуют созданию аугментированных изображений, которые не только используются в электронных каталогах, но и расширяют возможности нейронных сетей разнообразными и обогащенными обучающими данными. Построенный метод позволяет решить проблемы, связанные с классовым дисбалансом, усилить обобщения модели, а также улучшить качество распознавания.

##plugins.themes.bootstrap3.article.details##

Как цитировать
СОРОКИНА, В. В., & АБЛАМЕЙКО, С. В. (2023). МЕТОД АУГМЕНТАЦИИ ДАННЫХ ДЛЯ УЛУЧШЕНИЯ КАЧЕСТВА РАСПОЗНАВАНИЯ ИЗОБРАЖЕНИЙ ЭЛЕКТРОННОЙ КОММЕРЦИИ. Вестник Полоцкого государственного университета. Серия С. Фундаментальные науки, (2), 29-34. https://doi.org/10.52928/2070-1624-2023-41-2-29-34
Лицензия Creative Commons

Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.

Биография автора

С. В. АБЛАМЕЙКО, Белорусский государственный университет, Минск; Объединённый институт проблем информатики НАН Беларуси, Минск

акад. НАН Беларуси, д-р техн. наук, проф.

Crossref
Scopus
Google Scholar
Europe PMC

Библиографические ссылки

Shorten, C., Khoshgoftaar, T. M. (2019). A survey on Image Data Augmentation for Deep Learning. Journal of Big Data, (6), 60. DOI: 10.1186/s40537-019-0197-0.

Wang, J., Zhang, W., Zang, Y., Cao, Y., Pang, J., Gong, T., … Lin, D. (2021). Seesaw Loss for Long-Tailed Instance Segmentation. In 2021 IEEE/CVF Conf. on Computer Vision and Pattern Recognition (CVPR) (9690–9699). IEEE. DOI: 10.1109/CVPR46437.2021.00957.

Li, Y., Wang, T., Kang, B., Tang, S., Wang, C., Li, J., & Feng, J. (2020). Overcoming Classifier Imbalance for Long-Tail Object Detection with Balanced Group Softmax. In 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) (10988–10997). IEEE. DOI: 10.1109/CVPR42600.2020.01100.

Tan, J., Lu, X., Zhang, G., Yin, C., & Li, Q. (2020). Equalization Loss v2: A New Gradient Balance Approach for Longtailed Object Detection. In 2021 IEEE/CVF Conf. on Computer Vision and Pattern Recognition (CVPR) (1685–1694). IEEE. DOI: 10.1109/CVPR46437.2021.00173.

Esposito, C., Landrum, G. A., Schneider N., Stiefl N., & Riniker, S. (2021). GHOST: Adjusting the Decision Threshold to Handle Imbalanced Data in Machine Learning. J. Chem. Inf. Model., 61(6), 2623–2640. DOI: 10.1021/acs.jcim.1c00160.

Chen, Y, Hu, V. T., Gavves, E., Mensink, T., Mettes, P., Yang, P. & Snoek C. G. M. (2020). PointMixup: Augmentation for Point Clouds. In A. Vedaldi, H. Bischof, T. Brox, & J. M. Frahm (Eds.), Computer Vision – ECCV 2020. ECCV 2020. Lecture Notes in Computer Science, vol. 12348 (330–345). Springer, Cham. DOI: 10.1007/978-3-030-58580-8_20.

Ghiasi G., Cui, Y., Srinivas, A., Qian, R., Lin, T.-Y., Cubuk, E. D., … Zoph, B. (2021). Simple Copy-Paste is a Strong Data Augmentation Method for Instance Segmentation. In 2021 IEEE/CVF Conf. on Computer Vision and Pattern Recognition (CVPR) (2917–2927). IEEE. DOI: 10.1109/CVPR46437.2021.00294.

Devries, T., & Taylor, G. W. (2017). Improved Regularization of Convolutional Neural Networks with Cutout. ArXiv, (1708.04552). DOI: 10.48550/arXiv.1708.04552.

Sorokina, V., & Ablameyko, S. (2021). Neural Network Training Acceleration by Weight Standardization in Segmentation of Electronic Commerce Images. In C. van Gulijk, & E. Zaitseva (Eds.), Reliability Engineering and Computational Intelligence. Studies in Computational Intelligence: Vol. 976 (237–244). Springer, Cham. DOI: 10.1007/978-3-030-74556-1_14.

Sorokina, V., & Ablameyko, S. (2023). 2D Cast Shadow Generation in E-commerce Image Using UNet Vision Transformer. In 2023 International Conference on Information and Digital Technologies (IDT) (31–36). IEEE. DOI: 10.1109/IDT59031.2023.10194446.

Ronneberger, O., Fischer, P., Brox, T. (2015). U-Net: Convolutional Networks for Biomedical Image Segmentation. In N. Navab, J. Hornegger, W. Wells, & A. Frangi (Eds.), Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015. MICCAI 2015. Lecture Notes in Computer Science. Vol. 9351 (234–241). Springer, Cham. DOI: 10.1007/978-3-319-24574-4_28.