сотрудник
Процессы цифровизации неотвратимо влияют на развитие криминалистики, судебной экспертизы и судебно-экспертной деятельности. Представляется, что в указанных сферах большой потенциал будут иметь специальные экспертные системы, базирующиеся на искусственном интеллекте. Для их функционирования требуются надежные методы машинного обучения и нейронные сети. В статье обсуждается опыт применения полносвязной и сиамской нейронных сетей в качестве моделей машинного обучения при решении задач оценки схожести цифровых изображений следов оружия на пулях и гильзах. Рассматриваются корреляционные методы (конгруэнтных совпадающих ячеек, корреляционных ячеек, конгруэнтно совпадающих сегментов профилей), позволяющие построить пространство сравниваемых признаков следов и определить зависимость признаков друг от друга. Проводится анализ результатов использования методов «случайный лес» и k-ближайших соседей, которые были задействованы для машинного обучения сравнению цифровых изображений следов оружия на пулях и гильзах. Приведены результаты исследований по подготовке тренировочных данных посредством искусственного формирования клоновых изображений с разной ориентацией и искаженными частными признаками следов.
ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ, МАШИННОЕ ОБУЧЕНИЕ, НЕЙРОННЫЕ СЕТИ, КОРРЕЛЯЦИОННЫЙ МЕТОД, ТРЕНИРОВОЧНЫЕ ДАННЫЕ, КРИМИНАЛИСТИКА, СУДЕБНАЯ ЭКСПЕРТИЗА, ИДЕНТИФИКАЦИЯ
1. Hare E., Hofmann H., Carriquiry A. Algorithmic approaches to match degraded land impressions // Law, probability and risk. 2017. Vol. 16, iss. 4. Р. 203–221. URL: https://doi.org/10.1093/LPR/MGX018.
2. Sharma A., Kaur M. Automatic segmentation for separation of overlapped latent fingerprints // International journal of computer science and engineering. 2018. Iss. 6 (7). Р. 484–490. URL: https://doi.org/10.26438/ijcse/v6i7.484490.
3. Forensic STR allele extraction using a machine leaning paradigm / Y.-Y. Liu, D. Welch, R. England [et al.] // Forensic science international: genetics. 2020. Iss. 44. P. 102194. URL: https://doi.org/10.1016/j.fsigen.2019.102194.
4. Wang S., Jia S. Signature handwriting identification based on generative adversarial networks // Journal of physics conference science. 2019. Iss. 1187(4). P. 042047. URL: https://doi.org/10.1088/1742-6596/1187/4/042047.
5. Park S., Carriquiry A. An algorithm to compare two-dimensional footwear outsole images using maximum cliques and speeded-up robust feature // Statistical analysis and data mining. 2020. Iss. 13(2). Р. 188–199. URL: https://doi.org/10.1002/ sam.11449.
6. Федоренко В. А., Сорокина К. О., Гиверц П. В. Классификация изображений следов бойков по экземплярам оружия с помощью полносвязной нейронной сети // Известия Саратовского университета. Новая серия. Серия «Экономика. Управление. Право». 2022. Т. 22, вып. 2. С. 184–190. URL: https://doi.org/https://doi.org/10.18500/1994-2540-2022-22-2-184-190.
7. Song J. Proposed "NIST Ballistics Identification System (NBIS)" based on 3D topographic measurements on correlation cells // AFTE journal. 2013. Vol. 45, iss. 2. Р. 184–194.
8. Song J. Proposed "Congruent Matching Cells (CMC)" method for ballistic identification and error rate estimation // AFTE journal. 2015. Vol. 47, iss. 3. Р. 177–185.
9. Сорокина К. О., Федоренко В. А., Гиверц П. В. Оценка схожести изображений следов патронного упора методом корреляционных ячеек // Информационные технологии и вычислительные системы. 2019. № 3. C. 3–15. URL: https://doi.org/10.14357/20718632190301.
10. Fired bullet signature correlation using the congruent matching profile segments (CMPS) method / Z. Chen, W. Chu, J. A. Soons // Forensic science international. 2019. Р. 10–19. URL: https://doi.org/10.1016/j.forsciint.2019.109964.
11. Pilot study on deformed bullet correlation / Z. Chen, J. Song, J. A. Soons // Forensic science international. 2020. Iss. 306 (January). P. 110098. URL: https://doi.org/https://doi.org/10.1016/j.forsciint.2019.110098.
12. Machine learning in forensic applications / A. Carriquiry, H. Hofmann, Xiao Hui Tai, S. VanderPlas // SIGNIFICANCE. 2019. Vol. 2, iss. 2. Р. 29–35. URL: https://doi.org/10.1111/j.1740-9713.2019.01252.x.
13. Федоренко В. А., Сорокина К. О., Гиверц П. В. Анализ следов на выстреленных пулях методами конгруэнтно совпадающих сегментов профилей и k-ближайших соседей // Информационные технологии и вычислительные системы. 2021. № 1. С. 70–82. URL: https://doi.org/10.14357/20718632210108.
14. Giverts P., Sorokina K., Fedorenko V. Examination of the possibility to use Siamese networks for the comparison of firing marks // Journal of forensic sciences. 2022. 67(6) (November). Р. 2416–2424. URL: https://doi.org/10.1111/1556-4029. 15143.
15. Федоренко В. А., Сорокина К. О., Гиверц П. В. Многогрупповая классификация следов бойков с помощью полносвязной нейронной сети // Информационные технологии и вычислительные системы. 2022. № 3. С. 43–57. URL: https://doi.org/10.14357/20718632220305
