Методи інтелектуального аналізу інформації за допомогою віртуалізації та нейронних мереж

DOI: 10.31673/2412-9070.2020.062432

Анотація

Розглянуто методи, що уможливлюють підвищення ефективності пошуку інформації під час імпорту тексту, а також у процесі аналізу та генерації зображень. Досліджено можливість використання комп’ютерного зору в режимі реального часу та порівняння швидкодії алгоритмів класифікації зображення. Також проаналізовано метод контейнеризації Docker для нейромережі, щоб запобігти перевантаженню пам’яті і ЦП. Запропоновано метод віртуалізації на основі контейнерів, який виконується не повною операційною системою, а в частинних екземплярах операційної системи хоста.

Ключові слова: процес текстового аналізу; методи; комп’ютерний зір; штучні нейронні мережі; машинне навчання; TensorFlow; OpenCV; NAS; GAN; CNN; CTL-10; CIFAR-10; віртуалізація; віртуальна машина; Docker-контейнер; процесор; пам’ять; оцінювання продуктивності.

Список використаної літератури
1. Barret Zoph, Quoc V. Le. Neural architecture search with reinforcement learning / arXiv preprint arXiv:1611.01578, 2016.
2. Advanced Memory Reusing Mechanism for Virtual Machines in Cloud Computing. Gursharan Singh’ Sunny Behal’ Monal Taneja 3rd International Conference on Recent Trends in Computing 2015 (ICRTC-2015).
3. Salton G., Buckley C. Term-Weighting Approaches in Automatic Text Retrieval, Information Processing and Management // An Int’l J. 2018.
4. Applying Data Mining Techniques for Descriptive Phrase Extraction in Digital Document Collections / H. Ahonen, O. Heinonen, M. Klemettinen, A. I. Verkamo. 2015. Р. 2–11.
5. Wu S.-T., Li Y., Xu Y. Deploying Approaches for Pattern Refinement in Text Mining // Proc. IEEE Sixth Int’l Conf. Data Mining (ICDM ’06). 2016. Р. 1157–1161.
6. The OpenCV Tutorials [Електронний ресурс]. URL: docs.opencv.org/2.4/opencv_tutorials.pdf.
7. Efficiency analysis of provisioning Microservices / H. Khazaei, C. Barna, N. Beigi-Mohammadi, M. Litoiu // School of Computer Science, York University Toronto, Ontario, Canada.
8. Krizhevsky A., Sutskever I., Hinton G. E. Imagenet classification with deep convolutional neural networks. 2012. Р. 1097–1105.
9. Chen L.-C., Collins M., Zhu Y. Searching for efficient multiscale architectures for dense image prediction.
10. Liu C., Chen L.-C., Schroff F. Auto-deeplab: Hierarchical neural architecture search for semantic image segmentation.
11. Amc: Automl for model compression and acceleration on mobile devices / Yihui He, Ji Lin, Zhijian Liu [et al.] // In European Conference on Computer Vision, Springer, 2018. Р. 815–832.
12. Designing neural network architectures using reinforcement learning / Bowen Baker, Otkrist Gupta, Nikhil Naik, Ramesh Raskar. 2016.
13. Efficient Neural Architecture Search via Parameter Sharing / H. Pham, M. Y. Guan, B. Zoph, Q. V. Le. 2018.
14. Practical blockwise neural network architecture generation / Zhao Zhong, Junjie Yan, Wei Wu [et al.]. 2018. P. 2423–2432.
15. Learning Transferable Architectures for Scalable Image Recognition / Barret Zoph, Vijay Vasudevan, Jonathon Shlens, Quoc V. Le. CVPR, 2018.
16. Xie L., Yuille A. Genetic cnn // IEEE International Conference on Computer Vision (ICCV). 2017. Р. 1388–1397.
17. Jin H., Song Q., Hu X. Auto-keras: Efficient neural architecture search with network morphism, 2018.
18. Liu H., Simonyan K., Yang Y. Darts: Differentiable architecture search, 2018.
19. Ahmed K., Torresani L. MaskConnect — Connectivity Learning by Gradient Descent. ECCV, cs. CV, 2018.
20. Chen L.-C., Papandreou G. Rethinking atrous convolution for semantic image segmentation, 2017.
21. Wang Z., Chang S., Yang Y. Studying very low resolution recognition using deep networks. 2016. Р. 4792–4800.
22. Chrabaszcz P., Loshchilov I., Hutter F. A downsampled variant of imagenet as an alternative to the cifar datasets: arXiv preprint arXiv: 1707.08819, 2017.
23. Liu C., Zoph B., Neumann M. Progressive Neural Architecture Search. 2018. P. 19–34.