Комплексні онтологічні та нейромережеві моделі фотографічних образів

UKR: Ця стаття досліджує інноваційний підхід до розробки систем комп'ютерного зору, заснований на глибокій інтеграції онтологічних та нейромережевих моделей для ефективного аналізу фотографічних зображень. У цій роботі пропонується новий гібридний метод у контексті сучасних викликів, пов'язаних з розпізнаванням зображень, таких як висока різноманітність класів та проблеми оклюзії об'єктів на фотографіях низької якості. Цей метод надає моделям комп'ютерного зору здатність до глибшого розуміння контексту та семантики зображень, використовуючи онтологічні структури для представлення візуального вмісту. Аналітичний процес включає ідентифікацію ключових об'єктів на зображенні та визначення їхнього онтологічного контексту, що дозволяє нейронним мережам ефективно виконувати градієнтну трансформацію вхідних даних для більш точного розпізнавання та класифікації. Запропонована модель демонструє потенціал для отримання переваги над традиційними методами у задачах комп'ютерного зору, відкриваючи нові можливості для розширення застосувань комп'ютерного зору у науковій, промисловій та побутовій сферах.

ENG: This article explores an innovative approach to developing computer vision systems, based on the deep integration of complex ontological and neural network models for effective analysis of photographic images. This work proposes a novel hybrid method in the context of contemporary challenges associated with image recognition, such as a high diversity of classes and problems with the occlusion of objects in low-quality photos. This method provides computer vision models with a deeper understanding of the context and semantics of images, utilizing ontological structures to represent visual content. The analytical process includes the identification of key objects in the image and the determination of their ontological context, allowing neural networks to effectively perform a gradient transformation of the input data for more accurate recognition and classification. The proposed model demonstrates the potential for gaining an advantage over traditional methods in computer vision tasks, opening new possibilities for expanding computer vision applications in scientific, industrial, and domestic spheres.