Abstract
В статье представлена разработка и реализация сверточной нейронной сети (CNN), предназначенной для распознавания лиц и рук на цифровых изображениях, а также анализа их смещений между двумя последовательными кадрами. Предложенный метод не ограничивается задачей детекции, а дополняется вычислением величины перемещений распознанных объектов, что позволяет фиксировать динамику поз. Для обучения модели был создан специализированный датасет из 1200 изображений, содержащий около 1800 лиц и 2400 рук, размеченных в формате Pascal VOC. В качестве архитекту-ры выбрана MobileNetV2 с SSD-головой, обучение проводилось во фреймвор-ке Keras с применением техник аугментации данных. Эксперименты показали результат mAP@0.5 = 0.76 на тестовой выборке и точность классификации смещений 82,5 %. По сравнению с существующими решениями (OpenPose, MediaPipe, TensorFlow Object Detection API), предложенный подход обеспечива-ет оптимальный баланс между точностью и вычислительной эффективностью, дополняя функционал возможностью анализа смещений. Метод может применяться в реальном времени для задач распознавания жестов, человеко-машинного взаимодействия и видеонаблюдения.