 |
В. А. Федоренко, К. О. Сорокина, П. В. Гиверц "Классификация следов бойков по экземплярам оружия сверточной нейронной сетью" |
 |
|
Аннотация.
В статье рассматривается проблема классификации изображений следов бойков с помощью сверточной нейронной сети (СНС). Целью данной работы являлось исследование эффективности применения сверточных нейронных сетей для классификации следов бойков по экземплярам оружия. Научная новизна заключается в оценке эффективности применения СНС для многогрупповой классификации следов бойков в условиях сверхмалого числа исходных объектов обучающей выборки для каждого класса (по 4 исходных изображения в каждом классе). Для обеспечения эффективности обучения СНС была сформирована аугментированная обучающая выборка. Для этого на основе каждого исходного изображения обучающей выборки были получены по 8 новых изображений с измененными в допустимых пределах характеристиками. Исследования показали, что для выборки, включающей 40 классов (экземпляров оружия), точность классификации СНС достигает порядка 93% в случае учета максимального сигнала на одном выходном нейроне и 97-98% при классификации по трем наибольшим сигналам на выходных нейронах. Работа представляет интерес для разработчиков программного обеспечения автоматизированных баллистических идентификационных систем и для сотрудников региональных криминалистических баллистических лабораторий.
Ключевые слова:
следы бойков, сверточные нейронные сети, многогрупповая классификация, аугментация выборки, идентификация оружия.
Стр. 87-96.
DOI 10.14357/20718632240109
EDN ZHVVQQ Литература
1. Типовые экспертные методики исследования вещественных доказательств: ч. 1 / под ред. Ю.М. Дильдина; общ. ред. В.В. Мартынов. М.: ЭКЦ МВД России, 2010. 568 с. 2. Области применения Технологии «ПОИСК» и задачи баллистической экспертизы, решаемые с помощью данной технологии [Электронный ресурс] // ООО «СДЦ». URL: https://www.sbc-spb.com (дата обращения: 01.08.2023) 3. Автоматизированная Баллистическая Идентификационная Система [Электронный ресурс] // Компания РАМЭК. URL: https://www.ramec.ru/otraslevyieresheniya/ resheniya-dlya-silovyixstruktur/ avtomatizirovannaya-ballisticheskayaidentifikaczionnaya- sistema.html (дата обращения: 01.08.2023) 4. Форсайт Д.А., Понс Д. Компьютерное зрение. Современный подход. М.: Вильямс, 2018. 960 с. 5. Федоренко В.А., Сорокина К.О., Гиверц П.В. Многогрупповая классификация следов бойков с помощью полносвязной нейронной сети // Информационные технологии и вычислительные системы. 2022. N 3. С. 43-57. doi: 10.14357/20718632220305 6. Song J. Proposed “NIST Ballistics Identification System (NBIS)” Based on 3D Topographic Measurements on Correlation Cells // AFTE Journal. 2013. Vol. 45(2). P. 184-194. 7. Song J. Proposed “Congruent Matching Cells (CMC)” Method for Ballistic Identification and Error Rate Estimation// AFTE Journal. 2015. Vol. 47(3). P. 177-185. 8. Song J., Song H. Reporting likelihood ratio for casework in firearm evidence identification // Journal Forensic Sciences. 2022. Vol. 68(2). P. 399-406. doi:10.1111/1556-4029.15186 9. Riva F., Champod C. Automatic comparison and evaluation of impressions left by a firearm on fired cartridge cases // Journal Forensic Sciences. 2014. Vol. 59(3). P. 637–647. doi: 10.1111/1556-4029.12382 10. Giverts P., Sorokina K., Fedorenko V. Examination of the possibility to use Siamese networks for the comparison of firing pin marks // Journal Forensic Sciences. 2022. Vol. 67(6). P. 2416–2424. doi: 10.1111/1556-4029.15143 11. Statistics and Machine Learning Toolbox [Электронный ресурс] // MathWorks. URL: https://www.mathworks.com/products/statistics.html (дата обращения: 01.08.2023)
|
