Журнал "Системы Безопасности" № 3‘2025

Ц И Ф Р О В А Я Т Р А Н С Ф О Р М А Ц И Я , И И , И Н Т Е Р Н Е Т В Е Щ Е Й 118 К ачество нейросетевых преобразований сего- дня принято оценивать апостериорно. Снача- ла нужно купить нейросетевого кота в мешке, а потом проверить, как он ловит мышей в твоих практических, нужных только тебе задачах. Создание новых приложений искусственного интеллекта предполагает формирование техни- ческого задания (ТЗ) заказчиком для исполни- теля. В техническом задании недопустимы ска- зочные формулировки типа "Иди туда, не знаю куда, разработай мне то, не знаю что, но это что- то должно быть мне нужное и полезное". Фор- мулировки в ТЗ должны быть всегда конкретны- ми, например "Хочу в моей задаче использовать сверточную нейросеть, которая подавляет энтропию хаоса исходных данных в 100 раз". Методику проведения приемо-сдаточных испы- таний исполнитель должен, как обычно, разра- ботать и согласовать с заказчиком. Близкая к нам предыстория создания приложений нейросетевого искусственного интеллекта Еще недавно научно-техническая обществен- ность была озабочена проблемами обучения перспективных многослойных сетей искусствен- ных нейронов. Примерно семь лет назад эта озабоченность была снята. Появились много- слойные сверточные нейросети глубокого обучения [1, 2], архитектура которых позволяет эффективно распознавать лица людей. Архи- тектура подобных нейросетей может быть раз- ной. Может быть выбрана разная длина вход- ного вектора, определяющаяся выбором окна в пикселях, к которой приводится анализируемое лицо человека. Так, в статье [3] описана ситуа- ция, когда окно, для которого приводится мас- штаб лица человека, составляет квадрат 64х64 8-битных RGB-пикселей, или вектор из 4096 сырых биометрических параметров. Далее век- тор из 4096 сырых биометрических параметров свертывается сверточными нейронами много- слойной нейросети глубокого обучения до 256 более качественных 8-битных биометриче- ских параметров. То есть сверточная нейросеть понижает размерность решаемой задачи с 4096 до 256, или в 16 раз, по длине вектора анализируемых параметров. Формально каж- дая сверточная нейросеть может рассматри- ваться как некоторый трансформатор для пони- жения размерности решаемой задачи (анало- гия с обычным электротехническим трансфор- матором, понижающим напряжение). Обычный электротехнический трансформатор, понижая напряжение, позволяет получать гораздо больший ток. Трансформаторами обес- печивается передача примерно 95% электриче- ской мощности с первого высокого уровня переменного напряжения на более низкий выходной уровень переменного напряжения. Переменный выходной ток при этом пропор- ционально увеличивается. В нашем случае для рассматриваемого сверточ- ного нейротрансформатора эквивалентом напряжения является размерность данных. Оце- нивается число анализируемых биометриче- ских параметров (длина входного и выходного вектора). Тогда эквивалентностью тока будет являться информативность каждого из входных и выходных биометрических параметров лица человека. На входе сверточной нейросети информативность сырых биометрических пара- метров низкая, но параметров много – 4096. На выходе сверточного нейротрансформатора параметров в 16 раз меньше, но их информа- тивность много выше. Собственно, обогащение сырых входных биометрических данных до получения более "богатых" выходных данных меньшей размерности – это то, ради чего свер- точные нейросети и были созданы. Заметим, что первым этапом нейросетевого распознавания лиц людей является обнаруже- ние положения лица человека в кадре, как это показано на рис. 1. На рис. 1 отображен только конечный этап ней- ротрансформаторного свертывания размерно- сти при анализе данных лица человека. На самом деле технология свертывания оказыва- ется более сложной и сводится к последова- тельному использованию трех механизмов, работающих последовательно (рис. 2). Анализ данных со свертыванием их размерно- сти выполняется через поиск особых точек на лицах. Автоматически находятся объекты, похо- жие на глаза человека, на нос, брови, губы, скулы, уши конкретного человека. Если найден- ные объекты находятся рядом и образуют нуж- ную последовательность, то автомат поиска делает положительное заключение об обнару- жении лица в видеокадре. Работа этого автома- та позволяет существенно снизить размерность решаемой задачи, так как более глубокому ана- лизу подвергается только обнаруженное лицо человека. Остальная часть изображения не ана- лизируется. Первые два каскада существенно снижают размерность анализируемого алгоритмом числа параметров. При этом анализируемые данные нестационарны. Снизить уровень нестационарности данных удается, если вве- сти значительные ограничения на анализируе- июнь – июль 2025 www.secuteck.ru Александр Иванов Научный консультант АО "Пензенский научно-исследовательский электротехнический институт", д.т.н., профессор Рис. 1. Свертывание входной размерности нейросети – 4096 сырых параметров входного вектора в вектор из меньшей размерности – 256 параметров, но с большей информативностью Технологии тестирования искусственного интеллекта Как оценить, во сколько раз сверточная нейросеть понижает энтропию белого шума при сжатии реальных данных? В статье рассматривается вопрос нейротрансформаторного свертывания размер- ности при анализе данных лица человека, в том числе различные варианты исполь- зования сверточных нейросетей глубокого обучения для решения задач биометрии.