Актуальність теми зумовлюється стрімким розвитком процесів, які потребують швидкого реагування на нетипові зміни для їх подальшого коригування, поки ціна наслідків є низькою. Задача виявлення таких нетипових змін називається задачею скринінгу, особливу групу серед яких складають засновані на аналізі планарних зображень задачі, які виникають, наприклад, при медичній діагностиці, дистанційному зондуванні Землі, метереології тощо. Автоматизація скринінгу дозволяє з більшою ефективністю вирішувати проблеми підвищення продуктивності діяльності людини-оператора, підвищити рентабельність відповідних процесів.
Таким чином, має місце протиріччя між широкими можливостями щодо забезпечення достовірності рішення задачі автоматизованого скринінгу нейромережевими методами з одного боку, та обмеженістю існуючих методів отримання наборів анотованих даних для навчання глибинних нейронних мереж.
Метою дослідження є підвищення достовірності класифікації та сегментації планарних зображень в системах автоматизованого скринінгу шляхом розробки нейромережевих моделей і методів.
Для досягнення мети дослідження необхідно вирішити такі завдання:
провести аналіз проблем автоматизованого скринінгу, показати переваги та недоліки нейромережевого підходу, та обґрунтувати напрямки досліджень;
розробити параметричну модель набору даних, зокрема з частково-помилковими анотаціями, які характерні для реальних задач автоматизованого скринінгу;
розробити модель нейронної мережі та методи навчання й передбачення для аналізу планарних зображень;
розробити інструментальні засоби, які реалізують розроблені нейромережеві моделі та методи, та виконати апробацію і впровадження теоретичних результатів при вирішенні завдань автоматизованого скринінгу.
Об'єктом дослідження є процеси аналізу планарних зображень в системах автоматизованого скринінгу.
Предмет дослідження - нейромережеві моделі та методи класифікації і сегментації планарних зображень в задачах автоматизованого скринінгу.
У рамках виконаних досліджень отримано такі наукові результати:
вперше запропоновано параметричну формалізацію моделі набору даних із частково-помилковими анотаціями, які характерні для реальних задач автоматизованого скринінгу, що дозволило розробити метод генерації навчальних, тестових та валідаційних наборів даних;
удосконалено} метод генерації наборів даних на основі параметричної моделі, що за рахунок генерації анотацій: частково-помилкових для тренувальної вибірки та достовірних - для тестової, що дало можливість підвищити ефективність тестування нейромережевих методів сегментації та класифікації в задачах автоматизованого скринінгу;
удосконалено модель згорткової нейронної мережі шляхом додавання додаткового декодера класифікації з шаром нормалізації, що дало змогу побудувати методи багатозадачного навчання та передбачення результатів нейронної мережі, що вирішує задач сегментації та класифікації одночасно;
удосконалено методи багатозадачного навчання та передбачення на основі удосконаленої моделі згорткових нейронних мереж шляхом об’єднання класифікації та сегментації і введення обмеження другого роду (зверху) при обчисленні функції втрат сегментації, що дозволило підвищити достовірність сегментації та класифікації в задачах автоматизованого скринінгу.
Результати дисертаційної роботи впроваджено: в програмний продукт SafetyRadar компанії VITech Lab, програмні продукти компанії “ПЛАНЕТА ЮГ” та в науково-дослідні роботи кафедри Інформаційних систем Інституту Комп'ютерних систем Одеського національного політехнічного університету та в навчальний процес кафедри Інформаційних систем Інституту Комп'ютерних систем Одеського національного політехнічного університету.
