Введение. 
Применение виртуальных моделей объектов для обучения нейросетей

Решение задач анализа изображений, как правило, можно разбить на два этапа: преобразование исходного изображения к некоторой упрощенной модели и анализ этой модели. Найти необходимое преобразование и метод обработки достаточно сложно и нет общего для всех прикладных областей способа принятия решений. Рассмотрим, например, формирование пространства признаков при решении задачи внешней калибровки камеры. В идеальных условиях задача имеет точное аналитическое решение. Однако, в процессе оцифровки сцены приходится иметь дело с конечным числом пикселей камеры и отличным от 0 размером пикселя. Реальная камера вносит шум, связанный с чувствительностью ячеек и их размером. Таким образом, идеальные аналитические модели проекционных преобразований плохо работают в условиях реальных аппаратных средств. В каждой конкретной ситуации приходится вносить существенные изменения и в способ описания задачи и в способ ее решения.

Поиску частных решений и общей методики формирования частных решений в области постановки задач обучения посвящен целый ряд работ (например, модели снижения размерности [Чернова, 2008], [Бернштейн и др., 2008]). Однако, в огромном числе случаев проблема заключается не только в сложной предобработке, но и в отсутствии достаточного числа качественных примеров. Достаточный объем выборки при разработке обучаемых машин составляет сотни и тысячи объектов. Рассмотрим подход обучению нейронных сетей на множестве искусственных примеров, которые формируются в виртуальных пространствах.