Preview

Қазақстан-Британ техникалық университетінің хабаршысы

Кеңейтілген іздеу

ӨНЕР ТУЫНДЫЛАРЫН ТАНУҒА АРНАЛҒАН ЗАМАНАУИ НЕЙРОНДЫҚ ЖЕЛІЛЕРДІҢ САЛЫСТЫРМАЛЫ ТАЛДАУЫ

https://doi.org/10.55452/1998-6688-2025-22-2-67-75

Толық мәтін:

Аңдатпа

Қазіргі таңда өнер туындыларының шынайылығын анықтау мәселесі ерекше өзекті. Бұрын бұл процесс тек қолмен жүзеге асырылатын, бұл айтарлықтай адам ресурстарын қажет ететін. Дегенмен, техниканың дамуымен өнер туындыларын дәл талдау мен сәйкестендіруге қабілетті интеллектуалды жүйені құру қажеттілігі туындады. Терең оқыту мен машиналық көру әдістерін біріктіретін жасанды интеллект негізінде әртүрлі топологиясы бар объектілерді тануға арналған зерттеулер қазірдің өзінде бар [1–3]. Нейрондық өнерді тану – терең оқыту әдістерін пайдалана отырып, кескіндеме, мүсіндер және артефактілер сияқты өнер туындыларын анықтауға және жіктеуге бағытталған компьютерлік көру саласы. Лувр мұражайы (Франция), Метрополитен мұражайы (АҚШ), Уффици галереясы (Италия), Британ мұражайы (Ұлыбритания) және Рейксмузеум (Нидерланды) сияқты ірі мұражайлар мен әлемдік репозиторийлер жасанды интеллект негізіндегі өнер туындыларының аутентификациясы үшін заманауи технологияларды белсенді түрде пайдалануда. Бұл жүйелер экспонаттардың түпнұсқалығын анықтаудың дәлдігін айтарлықтай арттыруға, оларды талдау процесін автоматтандыруға және адам факторының әсерін барынша азайтуға мүмкіндік береді. Әлемнің ең ірі мұражайларында енгізілген заманауи аутентификация жүйелері өнер туындыларының түпнұсқалығын дәлірек анықтауға ғана емес, мәдени мұраны бұрмалау мен жойылудан қорғауға да мүмкіндік береді. Конволюциялық нейрондық желілер (CNN) кескіндеменің визуалды мүмкіндіктерін, соның ішінде щеткаларды, беттік текстураны және түс комбинацияларын талдайды. Терең оқытуда дайындалған модельдер зерттелетін жұмысты шынайы картиналар базасымен салыстырып, ықтимал сәйкессіздіктерді анықтайды. Бұл мақалада деректерді тану мен өңдеудің дәлдігін арттыруға бағытталған әртүрлі нейрондық желі модельдерінің салыстырмалы зерттеуі берілген.

Авторлар туралы

Е. Т. Кожагулов
әл-Фараби атындағы Қазақ ұлттық университет
Қазақстан

 PhD, доцент м.а. 

Алматы қ.



А. А. Мақсұтова
әл-Фараби атындағы Қазақ ұлттық университет
Қазақстан

 докторант 

Алматы қ.



Д. М. Жексебай
әл-Фараби атындағы Қазақ ұлттық университет
Қазақстан

 PhD 

Алматы қ.



А. А. Сқабылов
әл-Фараби атындағы Қазақ ұлттық университет
Қазақстан

 PhD 

Алматы қ.



Т. М. Кожагулов
Темірбек Жүргенов атындағы қазақ ұлттық өнер академиясы
Қазақстан

 пед.ғ.к., профессор 

Алматы қ.



Әдебиет тізімі

1. Кожагулов Е.Т., Жексебай Д.М., Сарманбетов С.А., Максутова А.А., Бажаев Н.А. Классификатор изображений микросхем при помощи сверточной нейронной сети // News of the National Academy of Sciences of the Republic of Kazakhstan. Physico-Mathematical Series. – 2021. – Т. 6. – № 340. – С. 59–65. https://doi.org/10.32014/2020.2518-1726.102/

2. Kozhagulov Y.T., Zhexebay D.M., Sarmanbetov S.A., Sagatbayeva A.A., Zholdas D. Comparative analysis of object detection processing speed on the basis of neuroprocessors and neuroaccelerators // News of the National Academy of Sciences of the Republic of Kazakhstan. Series physico-mathematical. – 2020. – Vol. 4. – No. 332. – P. 61-67. https://doi.org/10.32014/2020.2518-1726.66

3. Kozhagulov Y.T., Ibraimov M.K., Zhexebay D.M., Sarmanbetov S.A. Face Detection of Integral Image by Viola-Jones method // Recent Contributions to Physics. – 2018. – No. 3 (66).

4. Simonyan K. and A. Zisserman. Very Deep Convolutional Networks for Large-Scale Image Recognition. – 2014. https://arxiv.org/abs/1409.1556

5. Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun. Deep Residual Learning for Image Recognition. Microsoft Research. – 2016. https://arxiv.org/abs/1512.03385.

6. Jiazhi Liang. Image classification based on RESNET // Journal of Physics Conference Series. – 2020. – Vol.1634. – No. 1. – P. 012110. September 2020. http://dx.doi.org/10.1088/1742-6596/1634/1/012110

7. Szegedy Ch., Wei Liu, Yangqing Jia, Sermanet P., Reed S., Arbor A., Anguelov D., Erhan D., Vanhoucke V., Rabinovich A. Going deeper with convolutions // 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). https://doi.ieeecomputersociety.org/10.1109/CVPR.2015.7298594

8. Tan M. and Le Q.V. EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks. Proceedings of the 36th International Conference on Machine Learning, ICML 2019 (Long Beach, 9–15 June 2019), pp. 6105–6114. http://proceedings.mlr.press/v97/tan19a.html

9. Dosovitskiy A., Beyer L., Kolesnikov A., Weissenborn D., Xiaohua Zhai, Unterthiner T., Dehghani M., Minderer M., Heigold G., Gelly S., Uszkoreit Ja., Houlsby N. An image is worth 16x16 words: transformers for image recognition at scale. Published as a conference paper at ICLR 2021. https://openreview.net/forum?id=YicbFdNTTy

10. YOLOv8 Architecture: A Deep Dive into its Architecture. – 2024. Yolov8.org. URL: https://yolov8.org/yolov8-architecture/

11. What is YOLO? The Ultimate Guide. Roboflow. – 2024. URL: https://blog.roboflow.com/guidetoyolo-models

12. Redmon Jo., Divvala S., Girshick R., Farhadi A. You Only Look Once: Unified, Real-Time Object Detection // Conference: 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). – June 2016. http://dx.doi.org/10.1109/CVPR.2016.91


Рецензия

Дәйектеу үшін:


Кожагулов Е.Т., Мақсұтова А.А., Жексебай Д.М., Сқабылов А.А., Кожагулов Т.М. ӨНЕР ТУЫНДЫЛАРЫН ТАНУҒА АРНАЛҒАН ЗАМАНАУИ НЕЙРОНДЫҚ ЖЕЛІЛЕРДІҢ САЛЫСТЫРМАЛЫ ТАЛДАУЫ. Қазақстан-Британ техникалық университетінің хабаршысы. 2025;22(2):67-75. https://doi.org/10.55452/1998-6688-2025-22-2-67-75

For citation:


Kozhagulov Y., Maksutova A., Zhexebay D., Skabylov A., Kozhagulov T. COMPARATIVE ANALYSIS OF STATE-OF-THE-ART NEURAL NETWORKS FOR ART OBJECT RECOGNITION. Herald of the Kazakh-British Technical University. 2025;22(2):67-75. (In Russ.) https://doi.org/10.55452/1998-6688-2025-22-2-67-75

Қараулар: 26


ISSN 1998-6688 (Print)
ISSN 2959-8109 (Online)