МЕТОДИ ПАРАМЕТРИЗАЦІЇ ТА ОПТИМІЗАЦІЇ ШТУЧНИХ НЕЙРОСТРУКТУР ДЛЯ РОЗПІЗНАВАННЯ АНІМАЦІЙНИХ ОБ'ЄКТІВ

Abstract

Мета і завдання дослідження. Якщо фізичний рендеринг і створення якісно освітлених статичних сцен стають доступні ентузіастам завдяки потужним безкоштовним ігровим движкам і інструментам 3D моделювання, то створення гарної анімації вимагає обладнання для захоплення рухів і тривалої копіткої роботи по їх впровадженню. Одна з найдоступніших систем це костюм neuronmocap вартістю близько $ 2к без урахування доставки.[22] Розробки в області глибинного навчання нейронних мереж потенційно можуть вирішити цю проблему: вони можуть вчитися на великих наборах даних, і одного разу навчені, вони займають мало пам'яті і швидко виконують поставлені завдання. Залишається відкритим питання про те, як саме нейронні мережі найкраще застосовувати таким чином, щоб отримувати високоякісний результат в режимі реального часу з мінімальною обробкою даних. Дослідники з Единбурзького університету в 2017 розробили систему навчання, яка називається фазово-функціональної нейронною мережею (PFNN), яка використовує машинне навчання для анімації персонажів у відеоіграх і інших додатках. Підбірка результатів з використанням PFNN для перетину нерівній місцевості: персонаж автоматично пересувається відповідно до призначеним для користувача управлінням в реальному часі і геометрією оточення.[ 23] Актуальність роботи. Рішення по розпізнаванню або генерації актуальні при високих обчислювальних можливостях навченої нейронної мережі. Але такі рішення затратні по економічно-фінансовим ресурсам, що і потребує дослідження можливості оптимізації навчання нейронних мереж. Мета досліджень. Основною метою є огляд математичного представлення нейронних структур, їх типів і принцип функціонування. Визначити доцільність використання готових платформних середовищ або розробка нових нейронних мереж. Оцінка технічних вимог теоретичної мережі відповідно певної ланки апаратних рішень. Зробити детальний опис коду, певного практичного рішення платформного або програмного в залежності на основі встановлених рішень в розділі огляду платформ. Об’єкт дослідження – процеси навчання штучних нейронних мереж створених на основі відкритої платформи TensorFlow. Предмет дослідження – моделі та засоби реалізації штучних нейронних мереж, їх вплив на параметри точності, детермінації, часу навчання розглянутої моделі і в цілому. Методи досліджень. Використовуючи реалізований приклад, встановити параметри оптимізації нейронній мережі за такими напрямами: кількість навчальних епох, коефіцієнт навчання, алгоритму навчання, змінна функції активації, проведення оцінки швидкості навчання. Наукова новизна одержаних результатів. Побудова модель дослідження впливу швидкості навчання від різних параметрів, на основі яких можна згрупувати та оптимізувати процес навчання математичних моделей нейронних мереж. Прослідковано закономірності досліджуємих параметрів на розглянутій інтерпретації. Практичне значення отриманих результатів. Результати досліджень дозволять пришвидшити процеси навчання для моделей нейронних мереж реалізованих на платформах, і підбору алгоритмів у випадку повного циклу розробки моделі. Апробація роботи. Апробація досліджень відбувалась на XVI Всеукраїнська науково-практична WEB конференції аспірантів, студентів та молодих вчених «Комп’ютерні інтелектуальні системи та мережі» (КІСМ–2023) від Криворізького національного університету (21–23 березня 2023 р., м. Кривий Ріг). Також була участь у «Всеукраїнському науково-практичній конференції здобувачів вищої освіти та молодих учених “Комп’ютерна інженерія і кібербезпека: досягнення та інновації” (27–29 листопада 2022 р., м. Кропивницький)