СИСТЕМЫ АНАЛИЗА И ОБРАБОТКИ ДАННЫХ

В статье представлено исследование методов визуального поиска товаров и результаты их программной реализации в системах электронной коммерции, выполнен обзор классических методов машинного обучения и современных нейросетевых архитектур. Для сравнения были выбраны и реализованы следующие подходы: гистограмма направленных градиентов/машина опорных векторов (Histogram of Oriented Gradients, HOG/Support Vector Machine, SVM), локальные бинарные шаблоны/машина опорных векторов (Local Binary Patterns, LBP/SVM), матрица совместной встречаемости уровней серого/случайный лес (Gray Level Co-occurrence Matrix, GLCM/Random Forest) и модель сиамской нейронной сети (Siamese Neural Networks, SNN). Разработанное в рамках исследования программное обеспечение включает методы предобработки изображений, извлечения признаков, сравнения векторных представлений с оптимальным порогом классификации 0,55. Экспериментальные исследования проводились на целевом наборе данных товарных изображений с использованием оценки метрик точности. Наилучшие показатели оказались у сиамской нейронной сети, результаты обучения которой показали следующие значения метрик: точности (accuracy) 0,951, точности (precision) 0,937, полноты 0,967, F1-меры 0,952 и площади под кривой ROC (Area Under the Receiver Operating Characteristic Curve, AUC-ROC) 0,9799. В ходе исследования была отмечена способность SNN-модели демонстрировать высокую устойчивость к изменениям освещения, ракурса съемки и сложного фона, сохраняя при этом стабильную точность идентификации товаров. Полученные результаты демонстрируют практическую значимость предложенного подхода для создания систем визуального поиска товаров в мобильных приложениях интернет-маркетплейсов, позволяющих улучшить пользовательский опыт и повысить уровень продаж. Исследование подтвердило эффективность нейросетевых методов для задач анализа и сопоставления изображений в условиях реального сегмента розничной торговли.

1. Siamese neural network based multimodal biometrics recognition / H.L. Aung, C. Pluempitiwiriyawej, S. Wangsiripitak, K. Hamamoto // The 14th Regional Conference on Electrical and Electronics Engineering (RC-EEE 2021). – Thailand, 2022. – P. 147–150.

2. Class-balanced siamese neural networks / S. Berlemont, G. Lefebvre, S. Duffner, C. Garcia // Neurocomputing. – 2018. – Vol. 273. – P. 47–56. – DOI: 10.1016/j.neucom.2017.07.060.

3. Khalifa T., Sengul G. The integrated usage of LBP and HOG transformations and machine learning algorithms for age range prediction from facial images // Tehnicki vjesnik. – 2018. – Vol. 25 (5). – P. 1356–1362. – DOI: 10.17559/TV-20170308030459.

4. Колосов М.И., Дерюгина Е.О. Сравнительный анализ типов нейронных сетей для эффективного распознавания образов, полученных с использованием оптической лазерной триангуляции // Лучшая студенческая работа 2024: сборник статей XIII Международного научно-исследовательского конкурса. – Пенза, 2024. – С. 15–21. – ISBN 978-5-00236-454-1.

5. Новиков А.В. Системное исследование инструментов внедрения машинного обучения на платформе Android // Universum: технические науки. – 2024. – Т. 1, № 5 (122). – С. 49–52. – ISBN 978-5-00236-454-1.

6. Гаспарян Д.Э., Стырин Е.М. Прикладные проблемы внедрения этики искусственного интеллекта в России: отраслевой анализ и судебная система. – М.: ВШЭ, 2020. – 112 c. – ISBN 978-5-7598-2351-3.

7. Classification of brain tumor based on shape and texture features and machine learning / M.A. Rizki, M.R. Faisal, A. Farmadi, T.H. Saragih, D.T. Nugrahadi, A.M. Bachtiar, R.R. Keswani // Indonesian Journal of Electronics, Electromedical Engineering, and Medical Informatics. – 2024. – Vol. 6 (4). – P. 240–251. – DOI: 10.35882/27236g49.

8. Guarino A., Spagnuolo G. Automatic features extraction of faults in PEM fuel cells by a siamese artificial neural network // International Journal of Hydrogen Energy. – 2021. – Vol. 46 (70). – P. 34854–34866. – DOI: 10.1016/j.ijhydene.2021.08.024.

9. Клейман А.А., Бабанчикова О.А. Стратегия управления адаптацией продвижения турпродукта к новым трендам туристского рынка // Инновационные подходы в современной науке / отв. ред. С.А. Белозеров. – М., 2021. – С. 912–918. – ISBN 978-5-00197-009-5.

10. Метод обнаружения фактов обхода блокировок ресурсов сети Интернет / С.М. Ишкуватов, А.Н. Бегаев, И.И. Комаров, И.В. Левко // Вопросы кибербезопасности. – 2024. – № 3 (61). – С. 76–84. – DOI: 10.21681/2311-3456-2024-3-76-84.

11. Combining lightweight deep learning models with data augmentation for analysis of cervical cells / N. Le-Thi-Thu, P. Dat Doan, A. Phan-Nguyen-Thanh, T. Tran-Thi, D. Tran-Tuan, K. Nguyen-Hoang // International Conference on Smart Objects and Technologies for Social Good. – Cham: Springer, 2024. – P. 173–182. – DOI: 10.1007/978-3-032-01497-9_16.

12. Feng K., Chaspari T. Few-shot learning in emotion recognition of spontaneous speech using a siamese neural network with adaptive sample pair formation // IEEE Transactions on Affective Computing. – 2021. – Vol. 14 (2). – P. 1627–1633. – DOI: 10.1109/TAFFC.2021.3109485.

13. Bos H., Muir D. Sub-mW Neuromorphic SNN audio processing applications with Rockpool and Xylo // Embedded Artificial Intelligence: Applications and Advanced Engineering / ed. by K.R. R. Kumar. – River Publishers, 2023. – P. 69–78. – ISBN 9781003394440.

14. Optimization of HOG algorithm for computer vision in industrial robots / N.M. Sawai, A.R. Mankar, R.Mahant, K. Ingole, Y.R. Mahulkar, S.M. Asutkar // 2024 IEEE International Conference on Computing, Power and Communication Technologies (ICCPCT). – IEEE, 2024. – P. 572–577. – DOI: 10.1109/IC2PCT60090.2024.10486349.

15. Antonyants E.N., Aletdinova A.A. Research and development of software for comparison of visual data with hashing methods // Progress through innovations: труды XIII Всероссийской научно-практической конференции аспирантов и магистрантов, Новосибирск, 29 апр. 2025 г. – Новосибирск: Изд-во НГТУ, 2025. – С. 19–21. – ISBN 978-5-7782-5484-8.