Статьи

Рассматриваются задача создания модели распознавания объектов на изображениях и возможные способы ее решения на примере работы с российскими дорожными знаками по ГОСТ Р 52290-2004. Проведен анализ способов построения прогностических моделей распознавания изображений, существующих решений в открытом доступе. В качестве базовой модели используется сверточная нейронная сеть. Разработана модель распознавания дорожных знаков на базе трансферной сети YOLOv7 в результате дообучения на наборе данных из российской базы изображений автодорожных знаков RTSD. Проанализированы и описаны метрики оценки качества работы созданной модели. Созданная модель отвечает требованиям качества в отношении объективных метрик, позволяет строить прогнозы с учетом специфических ситуаций в различных погодных условиях и в разное время суток для 146 различных предопределенных классов. Характеристикой класса является номер знака по ГОСТ Р 52290-2004. Модель обладает точностью предсказаний, равной 0,847 при полноте предсказаний в 0,811. Усредненная точность предсказаний модели - 0,884 при тестировании на 493 изображениях из тестовой выборки. Тестовая выборка не пересекается с обучающей, составляющей 1 842 изображения. Разработанная модель опубликована в открытом доступе как для использования в научных целях, так и для дальнейшего дообучения. Это дает возможность исследователям в данной области ознакомиться с практическим примером реализации модели, дополнить или улучшить его при необходимости. Описанный в работе метод позволит исследователям в различных предметных областях найти решение, позволяющее преодолеть ресурсные ограничения при создании высокопроизводительной и качественной прогностической модели распознавания.

Рассматривается проблема представления знаний о моделях жизненного цикла программного обеспечения (ПО), необходимость решения которой обусловлена стремительным развитием методологий разработки ПО, отсутствием формальной легко расширяемой модели знаний в этой предметной области и тем, что выбор модели жизненного цикла и соответствующей ей методологии разработки оказывает значительное влияние на успешность программных проектов. Проведен системный анализ основных типов методологий разработки ПО, моделей жизненного цикла и их фаз. Приведены результаты исследования области представления моделей жизненного цикла ПО в виде онтологий. Разработана онтология «Software development life cycle (SDLC)», которая предназначена для представления знаний о различных моделях жизненного цикла ПО, фазах (стадиях) жизненного цикла, присущих различным моделям, и возможности описания повторяемости фаз. Онтология позволяет описывать модели как в рамках прогностических методологий разработки (водопадная, инкрементная), так и в рамках гибких методологий разработки (Scrum, Kanban). Описаны классы, свойства и аксиомы онтологии, на основе которых возможно осуществление формального логического вывода. Онтология SDLC разработана на основе форматов семантического веба (на языке OWL), опубликована в открытом доступе и представляет собой развивающийся, легко расширяемый проект. Это позволит использовать ее любым специалистам в области разработки ПО в практических или исследовательских целях. Также представлена идея программной оболочки, использующей представленную онтологию, которая позволит по заданным параметрам выбрать наиболее подходящую методологию для проекта, что упростит процесс разработки, позволит избежать ряда ошибок и сократит время на разработку.