Добавил:

ivanov666 Опубликованный материал нарушает ваши авторские права? Сообщите нам.

Вуз:

Башкирский Государственный Аграрный Университет

Предмет:

[НЕСОРТИРОВАННОЕ]

Файл:

Исследования мировой науки новые подходы и актуальные вопросы. Ч. VI. Монография

.pdf

Скачиваний:

Добавлен:

06.09.2026

Размер:

1 Мб

Скачать

☆

1 / 71 2 3 4 5 6 7 > Следующая >>>

Исследования мировой

науки: новые подходы

и актуальные вопросы

Часть VI

МОНОГРАФИЯ

Научный редактор

кандидат экономических наук

Исмаилова А.З.

Рецензенты

Вартанова М.Л., Цечоева А.Х.

Издание включено в научную электронную библиотеку

Москва

2024

УДК 001 ББК 72я43 И88

Научный редактор

кандидат экономических наук, преподаватель предметной (цикловой) комиссии Автономной некоммерческой профессиональной образовательной организации «Национальный социально-педагогический колледж», г. Дербент

Исмаилова Аида Замировна

Рецензенты:

кандидат экономических наук, доцент, ведущий научный сотрудник Отдела исследования

социально-демографических процессов в ЕАЭС Института демографических исследований –

обособленном подразделении Федерального государственного бюджетного учреждения

науки Федерального научно-исследовательского социологического центра

кандидат технических наук, доцент, заведующая кафедрой «Машиноведение»

И88 Исследования мировой науки: новые подходы и актуальные во-

просы. Монография. Часть VI / Научный ред. канд. эк. наук А.З. Исмаи-

лова. – М.: Издательство «Перо», 2024. – 63 с. – 1,9 Мб. [Электронное издание].

ISBN 978-5-00204-303-3 (Общ.) ISBN 978-5-00244-754-1 (Ч.6)

В монографии представлены результаты исследований по вопросам экономического и

информационно-технологического направления, а также актуальные проблемы гуманитарного цикла.

Работы, поступающие в редакцию, рецензируются. За достоверность сведений, изло-

женных в работах, ответственность несут авторы публикаций. Мнение редакционной коллегии может не совпадать с мнением авторов.

Издание охраняется Законом РФ об алов, размещенных в сборнике, как на бумажном носителе, так и в виде ксерокопирования, сканирования, записи в память ЭВМ и размещение в Интернете, без согласия издателя, запрещается.

Отпечатано с готового оригинал-макета

ISBN 978-5-00204-303-3 (Общ.) ISBN 978-5-00244-754-1 (Ч.6)

Российской академии наук (ИДИ ФНИСЦ РАН

Вартанова Марина Львовна

Ингушского государственного университета

Цечоева Аминат Хусеновна

авторском праве. Любое воспроизведение матери-

УДК 001

ББК 72я43

Сведения о рецензентах

Предисловие

РАЗДЕЛ 1. ИНФОРМАЦИОННО-ТЕХНОЛОГИЧЕСКИЙ ЦИКЛ

Пикалёв Я.С. К вопросу о распознавании объектов из открытого

словаря

РАЗДЕЛ 2. СОЦИАЛЬНО-ЭКОНОМИКО-ПРАВОВОЙ ЦИКЛ

Гусев Ю.А. Анализ финансового потенциала предприятия как денеж-

ной формы экономического потенциала

Раздел 3. ГУМАНИТАРНЫЙ ЦИКЛ

Козырева А.В., Сухорукова А.А. Формирование математической гра-

мотности у обучающихся технических вузов в условиях цифрового

образования

СВЕДЕНИЯ ОБ АВТОРАХ

СОДЕРЖАНИЕ

Автор(ы), название статьи

Рецензент

Пикалёв Я.С. К вопросу о распознавании объектов из открытого словаря

Цечоева Аминат Хусеновна, кандидат технических наук, доцент, заведующая кафедрой «Машиноведение» Ингушского государственного университета

Автор(ы), название статьи

Рецензент

Гусев Ю.А. Анализ финансового потенциала предприятия как денежной формы экономического потенциала

Вартанова Марина Львовна, кандидат экономических наук, доцент, ведущий научный сотрудник Отдела исследования социально

демографических процессов в

ЕАЭС Института демографических исследований – обособленном подразделении Федерального государственного бюджетного учреждения науки Федерального научно

исследовательского социологического

центра Российской академии наук

(ИДИ ФНИСЦ

РАН

Автор(ы), название статьи

Рецензент

Козырева А.В., Сухорукова А.А. Формирование математической грамотности у обучающихся технических вузов в условиях цифрового образования

СВЕДЕНИЯ О РЕЦЕНЗЕНТАХ

Раздел 1. Информационно-технологический цикл

Раздел 2. Социально-экономико-правовой цикл

Раздел 3. Гуманитарный цикл

ПРЕДИСЛОВИЕ

РАЗДЕЛ 1. ИНФОРМАЦИОННО-ТЕХНОЛОГИЧЕСКИЙ ЦИКЛ

Я.С. Пикалёв в работе «К вопросу о распознавании объектов из откры- того словаря» рассматривает задачу распознавания объектов, основные под-

ходы к её решению, а также применяемые. Также автором подробно рассмотрен подход к распознаванию объектов из открытого словаря; рассмотрены основные виды применения подхода открытого словаря к

распознаванию объектов, описаны современные расширения метрик. Описаны современные нейросетевые архитектуры для этого подхода, дана общая их характеристика. Проведен анализ сильных и слабых сторон каждого метода.

РАЗДЕЛ 2. СОЦИАЛЬНО-ЭКОНОМИКО-ПРАВОВОЙ ЦИКЛ В работе Ю.А. Гусева «Анализ финансового потенциала предприятия

как денежной формы экономического потенциала» рассматривается понятие

финансового потенциала предприятия и предлагается новый метод анализа финансового потенциала предприятия. Цель работы заключается в совершенствовании методологии анализа финансового потенциала предприятия с учетом предложенной ранее в литературе широкой трактовки данного понятия как денежной формы экономического потенциала, а также с учетом факторов устойчивого развития. В работе предложен

метод анализа финансового потенциала, ос-

нованный на выделении источников финансового потенциала на различных этапах (уровнях) его формирования: от принятия руководством компании управленческих решений к факторам, на которые они воздействуют, и далее к влиянию этих факторов на финансовые показатели компании. Предложенный метод применяется для анализа финансового потенциала Группы

Компаний «Русагро» по

состоянию на апрель 2024 г. Анализ финансового потенциала на примере Группы Компаний «Русагро» показывает множество взаимосвязей внутри источников финансового потенциала, а также тесную взаимосвязь с другими источниками экономического потенциала компании, что подтверждает предложенную в литературе трактовку финансового потенциала как денежную форму экономического потенциала предприятия. Предложенный

в работе метод анализа финансового потенциала предприятия позволяет последовательно проанализировать источники его формирования с учетом широкой трактовки этого понятия как денежной формы экономического потенциала предприятия, а также с учетом факторов устойчивого развития компании.

РАЗДЕЛ 3. ГУМАНИТАРНЫЙ ЦИКЛ

В исследовании А.В. Козыревой и А.А. Сухоруковой

«Формирование

математической грамотности у обучающихся технических вузов в условиях цифрового образования» рассматриваются вопросы формирования функцио-

нальной грамотности будущего специалиста технического профиля, обучающегося в ведомственном вузе в условиях цифрового образования. Выделяются

основные компоненты функциональной грамотности; анализируются особенности формирования математической грамотности у будущих специалистов технического профиля, обучающихся в ведомственных вузах при внедрении деятельностно-ценностного подхода с использованием электронных образовательных ресурсов; выделяются стратегические принципы, составляющие основу преподавания математических дисциплин в условиях эффективного применения средств компьютерных математических систем.

РАЗДЕЛ 1. ИНФОРМАЦИОННО-ТЕХНОЛОГИЧЕСКИЙ ЦИКЛ

Ключевые слова: компьютерное зрение, открытый словарь, распознавание объектов, обработка изображений, обучение на контрастах.

УДК 004.932.2

К ВОПРОСУ О РАСПОЗНАВАНИИ ОБЪЕКТОВ ИЗ ОТКРЫТОГО СЛОВАРЯ

Пикалёв Я.С.

Федеральное бюджетное государственное научное учреждение

«Институт проблем искусственного интеллекта», г. Донецк

1.1 О задаче распознавания объектов

Обнаружение объектов – это область компьютерного зрения, которая за-

нимается локализацией и классификацией объектов, содержащихся на изображении или видео.

До популяризации глубокого обучения для задачи обнаружения объектов, почти все операции по обнаружению объектов выполнялись с помощью классических методов машинного обучения. Распространенные из них включали метод обнаружения объектов Виолы-

Джонса [1], масштабно-инвариантные преобразования объектов (scale-invariant feature transforms, SIFT) [2] и гистограмму ориен- тированных градиентов (histogram of oriented gradients, HOG) [3].

В отличие от методов технического зрения, методы искусственного интел-

лекта базируются на глубоком обучении нейросетей.

В общем задачу обнаружения объектов можно представить следующим об-

ȁ஽ȁ

разом. Имея размеченный набор данных ܦൌሼሺܫ௜ǡܱ ражение, а ܱ объектов. Каждый объект o представляет собой ограничивающий прямоугольник/рамку ܾאܴ

представлен в виде соответствующего набора аннотированных

௜

ସ

и соответствующий класс ݕאܥ, где C является пространством

ሻሽ

, где ܫ௜ – это i-ое изоб-

௜

௜ୀଵ

категорий набора данных D. Обозначим обучающий и тестовый наборы данных как D

и DV.

Процесс формирования признаков и предсказания можно объяснить, ис-

пользуя архитектуру Faster RCNN [4]. Пусть на вход архитектуры для обнаруже- ния объектов подается изображение ܫאܴ

ுൈௐൈଷ

, тогда используя базовую сеть

(в ряде случаев с дальнейшим применением пирамидальной сети (feature pyra-

mide network, FPN) [5] кодируется набор иерархических карт объектов ܨൌ ሼ

ଶǡܨଷ

нерирует набор предположений регионов PؿR

ǡڮǡܨ

ሽ

, а сеть предложения регионов (Region Proposal Network, RPN) ге-

଺

. Затем голова R-CNN осуществ-

ляет выравнивание регионов интересов (regions of interest, RoI) для F, чтобы извлечь векторные представления предположений регионов ܧൌ൛݁

ൟ

௣

௣א௉

ؿܴௗ. Ло-

гит предположения p, относящийся к классу c, может быть определен как:

௘೛ή௧

೎

݈ሺ݌ǡ ܿሻൌ

ฮ௘೛ฮήԡ௧

ǡ (1)

೎

где ή· – скалярное произведение, ݐ௖ – векторное представление класса c.

Вероятность того, что предположение p относится к категории ܿאܥ׫

ሼܾ݃ሽ:

ሺ

݌ǡ ܿሻൌ

௖

೎א಴׫ሼ್೒ሽ

௘௫௣൫௟ሺ௣ǡ௖ሻ൯

. (2)

Во время обучения, каждому предположению p присваивается метка

класса ݕǡ݌ א ܥܤ ׫ ሼܾ݃ሽ. Значение потерь для R-CNN определяется как:

ܮൌെ

݈݋݃ܲ

௣א௉

݌ǡ ݕ

ಳ൫

஼

Ǥ (3)

൯

௣

1.2. Виды архитектур нейросетевых моделей для задачи распознава-

ния объектов

На данный момент можно выделить 3 основных подхода к решению задачи

обнаружения объектов на основе нейросетевых алгоритмов:

1) Двухэтапные модели (two-stage), которые обычно используют RPN для

предложения потенциальных блоков, которые затем уточняются на втором этапе. Более того, им нужны компоненты ручной разработки, такие как процедура подавления без максимального значения (non-maximum suppression, NMS) [6], для удаления повторяющихся блоков, и, следовательно, они не могут выполнять сквозную оптимизацию. На первом этапе селективным поиском или с по-

мощью специального слоя нейронной сети выделяются регионы интереса (region of interest, RoI) области, с высокой вероятностью содержащие внутри себя объекты. На втором этапе выбранные регионы рассматриваются классификатором для определения принадлежности исходным классам и регрессором, уточняющим местоположение ограничивающих рамок.

Одной из наиболее распространённой реализацией двухэтапной модели яв-

ляется Faster RCNN. Faster-RCNN состоит из трёх основных частей (рис. 1).

Рисунок 1. Архитектура Faster-RCNN

а) Генерация признаков. Получив на вход изображение, выдаёт 3х-мерный

тензор особенностей. При этом каждому вектору особенностей из этого тензора соответствует некоторый прямоугольник исходного изображения.

б) RPN. Сеть, которая получив на вход тензор особенностей, генерирует некоторое количество регионов (ROI Proposal), в которых предположительно есть объекты (ROIs) при помощи метода RoI Pool. Для каждого RoI на тензор особенностей ячейке сетки применялся Max Pooling, таким образом для каждого прямоугольника претендента получался тензор особенностей, но уже фиксированных пространственных размерностей. Дополнительно в RPN используется алгоритм NMS – алгоритм, выбирающий лучшую предложенную ограничительную рамку из других рядом расположенных.

в) Сеть для детекции это сеть для каждого региона вырезает, соответствующую этому региону, часть из тензора особенностей, и выдаёт: класс объекта (FC softmax classifier) и ограничивающий блок объекта (FC bbox regressor)

2) Одноступенчатые (one-stage) модели напрямую выводят смещения от-

носительно предопределенных привязок. Это подход, не использующий отдельный алгоритм для генерации регионов, вместо этого предсказывая координаты определённого количества ограничивающих рамок с различными характеристиками, такими, как результаты классификации и степень уверенности и в дальнейшем корректируя местоположение рамок.

Одним из актуальных подходов для одноступенчатых моделей является трансформер для обнаружения объектов (DETR, DEtection TRansformer) [7]. DETR рассматривает задачу обнаружения объекта как задачу прямого прогнозирования множества «один к одному» (one-to-one). Этот подход упрощает подход к обнаружению объектов, эффективно устраняя необходимость во многих разработанных вручную компонентах, таких как NMS или генерации якорных рамок

(anchor boxes).

Основными компонентами DETR являются: 1) глобальные потери на основе набора данных, которые обеспечивают уникальные прогнозы с помощью двудольного сопоставления, и 2) использование архитектуры енкодер-декодер, основанной на Трансформер [8], популярной архитектуре для предсказания последовательностей. Механизмы саморегулирования (self-attention) модели Трансформер, которые явно моделируют все попарные взаимодействия между элементами в последовательности, делают эти архитектуры особенно подходящими для конкретных ограничений прогнозирования набора, таких как удаление повторяющихся прогнозов. DETR рассуждает о связях объектов и глобальном контексте изображения, чтобы напрямую выводить окончательный набор прогнозов параллельно. DETR демонстрирует точность и производительность наравне с Faster RCNN, но в то же время уступает традиционным одностадийным подходам, таким как YOLO [9]. Кроме DETR обеспечивает значительно лучшую производительность на больших объектах, чем Faster R-CNN, вероятно, благодаря обработке глобальной информации, выполняемой блоком self-attention.

накладывалась сетка с фиксированным числом ячеек и к каждой

, которая состоит из полносвязных слоёв и

3) Обнаружение объектов методом открытых словарей (Open-vocabulary

object detection) [10] обнаружение объектов из замкнутого набора категорий.

1.3 Метрики для задачи распознавания объектов

В каждом из подходов могут использоваться разные метрики.

1) Пересечение через объединение (Intersection over Union, IoU) это по-

казатель, основанный на индексе Жаккарда [11], который оценивает перекрытие между двумя ограничивающими рамками. Для этого требуется целевая ограничивающая рамка и предсказанная ограничивающая рамка . Применяя показатель IoU, мы можем определить, является ли обнаружение действительным (истинно положительным) или нет (ложноположительным). IoU определяется площадью перекрытия между предсказанным ограничивающим прямоугольником и основным истинным ограничивающим прямоугольником, разделенной на площадь соединения между ними:

ܫ݋ܷ ൌ

௔௥௘௔൫஻೛ת஻ᇹ൯

׫஻ᇹ൯

௔௥௘௔൫஻

೛

Ǥ (4)

IoU можно рассматривать в том числе как расстояние. IoU удовлетворяет всем свойствам метрик, таким как неотрицательность, идентичность неразличимых, симметрия и неравенство треугольников (triangle inequality). IoU инвариантна к проблемам масштабирования. Это означает, что сходство между двумя произвольными фигурами ܤ௣и ܤᇹне зависит от масштаба их пространства S.

2) Точность (precission) – это способность модели идентифицировать

только соответствующие объекты. Это процент (вероятность) правильных положительных прогнозов, который определяется как:

݌ݎ݁ܿ݅ݏ݅݋݊ ൌ

்௉

, (5)

்௉ାி௉

где ТР (истинно положительный, true positive) – вероятность обнаружения при наличии сигнала c IOU ≥ t, t – доверительный порог; FР (отрицательно положи- тельный, false positive) вероятность пропуска при наличии сигнала с IOU < t.

3) Отклик (recall) – это способность модели находить все релевантные

случаи (все основные ограничивающие рамки истинности). Это процент истинно положительного, обнаруженного среди всех соответствующих основных истин, и определяется как:

ݎ݈݈݁ܿܽ ൌ

்௉

, (6)

்௉ାிே

где FN (отрицательно негативный, false negative) – вероятность не обнаружения при отсутствии сигнала.

4) У IoU есть недостаток. Если |Bp∩Bgt|=0, IoU(Bp, Bgt)=0. В этом случае,

IoU не отражает, находятся ли две фигуры в непосредственной близости друг от

друга или очень далеко друг от друга. Для решения этой проблемы была предложена метрика GIoU (обобщенное пересечение над объединением, Generalized In- tersection over Union) [12]. Её основные отличия заключаются в следующем.

Для двух произвольных значений Bp, Bgt ك S א R^n, сначала вычисляется наименьшее значение C ك S א R^n, охватывающее Bp и Bgt. Затем мы вычисляем соотношение между площадью, занимаемым C, исключая A и B и разделяя ее на общую площадь, занимаемую C.

1 / 71 2 3 4 5 6 7 > Следующая >>>

Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]