Детальная информация

В работе рассматривается проблема уменьшения количества правильных ответов системы компьютерного зрения при обработке изображений с паразитным шумом. Цель — решение проблемы путем разработки метода борьбы с шумом на изображениях с помощью нейронных сетей как наиболее мощных и универсальных инструментов работы с таким типом данных. Анализ существующих способов шумоподавления показал, что наиболее эффективным является применение автоэнкодера. Его базовая архитектура была взята за основу в разрабатываемом методе шумоподавления. Оценка проводилась путем сравнения доли правильных ответов при классификации изображений с использованием шумоподавления и без. Достигнутые результаты — исправление ошибок классификации для 63% изображений с шумом. Метод был использован в модуле подавления шума программного обеспечения, позволяющего проводить предобработку данных и оценку устойчивости нейронной сети к паразитному шуму и аналогичным искажениям.

The paper considers the problem of reducing the number of correct predictions when computer vision systems process adversarial images. The main purpose is to find a way to solve the problem by developing a method for dealing with adversarial noise in images by neural networks as powerful and universal tools for working with such data. The analysis of existing adversarial noise reduction methods showed that the most effective is the use of an autoencoder. Its basic architecture was taken as the basis in the developed noise reduction method. The evaluation was carried out by comparing the proportion of correct predictions for image classification with and without noise reduction. The results achieved are the correction of classification errors for 63% of images with noise. The method was used in the noise reduction mod¬ule of the software, which allows one to evaluate the robustness of a neural network to spurious noise and similar distortions.