ШИНОХТИ ТАСВИР ДАР АСОСИ ОМӮЗИШИ МОШИНӢ ДАР НИЗОМҲОИ ИТТИЛООТИИ КОРПОРАТИВӢ: БАРРАСИИ УСУЛҲО ВА ИНТИХОБИ РАВИШ

Шинохти тасвир дар низомҳои иттилоотии корпоративӣ (СИК) ба унвони як ҷузъи муҳими коркарди иттилооти визуалӣ дар равандҳои муосири бизнес, амният ва идоракунии захираҳо нақши калидӣ мебозад. Ин раванд ба корхонаҳо имкон медиҳад, ки тасвирҳоро бо истифода аз технологияҳои пешрафта таҳлил намуда, самаранокии қарорсозӣ ва суръати коркарди маълумотро афзоиш диҳанд. Методикунонии шинохти тасвир аз алгоритмҳои анъанавии биниши компютерӣ оғоз ёфта, то равишҳои амиқи омӯзиши мошинӣ, аз ҷумла шабакаҳои нейронӣ ба мисли CNN (шабакаҳои нейронии конволютсионӣ) ва трансформерҳо, густариш меёбад. Мақола равишҳои мавҷудаи шинохти тасвирро баррасӣ намуда, бартарӣ ва маҳдудиятҳои ҳар як методро таҳлил мекунад. Таҷҳизоти асосӣ ба моделҳои нейросетӣ равона шудааст, ки дар солҳои охир бо суръати баланд рушд меёбанд ва имкониятҳои васеъ барои татбиқи онҳо дар муҳити корпоративӣ фароҳам меоранд. Ҳамзамон, методологияи омӯзиши интиқолӣ (Transfer Learning) бо истифода аз архитектураи ResNet ҳамчун як равиши муассир пешниҳод мегардад, ки бо миқдори камтари маълумоти омӯзишӣ дақиқии баланди таснифотро таъмин мекунад. Натиҷаҳои таҳқиқот нишон медиҳанд, ки татбиқи моделҳои нейрошабакавӣ метавонад шинохти тасвирро дар СИК ба таври назаррас беҳтар созад. Мақола инчунин дурнамои таҳқиқоти оянда ва имконоти такмили моделҳоро, аз ҷумла ҳамгироии васеи технологияҳои шинохти тасвир дар муҳити корпоративӣ, мавриди баррасӣ қарор медиҳад.

шинохти тасвир, омӯзиши мошинӣ, низомҳои иттилоотии корпоративӣ, шабакаҳои нейронӣ, биниши компютерӣ, трансформерҳо, таҳлили тасвир, тасдиқкунӣ (аутентификатсия).

1. Андреев.Д. Применение машинного обучения для задач распознавания изображений. Вестник Московского университета. Серия 15: Вычислительная математика и кибернетика, 2020, с. 45-58.

2. Власов И.М., Рогов А.А. Глубокие нейросетевые модели в задачах обработки изображений. Научно-технический вестник информационных технологий, 2022, №5, с. 34-47.

3. Кириллов С.А., Петров В.В. Методы глубокого обучения в задаче классификации изображений. Информационные технологии и вычислительные системы, 2021, №3, с. 12-23.

4. Смирнов Д.И. Автоматизированное распознавание лиц на основе сверточных нейронных сетей. Искусственный интеллект и принятие решений, 2020, №4, с. 78-92.

5. He K., Zhang X., Ren S., Sun J. Deep Residual Learning for Image Recognition. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2016, pp. 770-778.

6. Dosovitskiy A., Beyer L., Kolesnikov A., et al. An Image is Worth 16×16 Words: Transformers for Image Recognition at Scale. International Conference on Learning Representations (ICLR), 2021, pp. 1-15.

7. Krizhevsky A., Sutskever I., Hinton G. ImageNet Classification with Deep Convolutional Neural Networks. Advances in Neural Information Processing Systems, 2012, vol. 25, pp. 1097-1105.

8. Simonyan K., Zisserman A. Very Deep Convolutional Networks for Large-Scale Image Recognition. arXiv preprint arXiv:1409.1556, 2014, pp. 1-14.

9. Goodfellow I., Bengio Y., Courville A. Deep Learning. MIT Press, 2016, pp. 1-775.

10. Redmon J., Farhadi A. YOLOv3: An Incremental Improvement. arXiv preprintarXiv:1804.02767, 2018, pp. 1-6.

11. Chen, X., Zhang, Y. “Artificial intelligence applications in logistics: A focus on inventory tracking and quality control.” Logistics and Transportation Review, 2022 15(4), 287-295.

12. Tan, L., Zhou, Q. “Using image recognition for product defect detection in manufacturing.” Journal of Industrial and Production Engineering, 2020 42(6), 321-330.

2026-03-30