Отрывок: Ис- пользование нейросетевой модели LCNN и её дообу- ченной версии позволяет добиться наиболее высокой точности. Однако применение дивергенции Йенсена– Шеннона в этом случае практически не приводит к снижению вероятности ошибочной классификации, что обусловлено значительными различиями в изоб- ражениях из обучающего (LFW) и тестового (YTF) множеств. Использование статистического подхода оказывается предпочтительнее. Наприме...
Полная запись метаданных
Поле DC | Значение | Язык |
---|---|---|
dc.contributor.author | Савченко, А.В. | - |
dc.date.accessioned | 2017-11-21 11:32:07 | - |
dc.date.available | 2017-11-21 11:32:07 | - |
dc.date.issued | 2017-06 | - |
dc.identifier | Dspace\SGAU\20171030\65832 | ru |
dc.identifier.citation | Савченко, А.В. Метод максимально правдоподобных рассогласований в задаче распознавания изображений на основе глубоких нейронных сетей / А.В. Савченко // Компьютерная оптика. – 2017. – Т. 41, № 3. – С. 422-430. | ru |
dc.identifier.uri | https://dx.doi.org/10.18287/2412-6179-2017-41-3-422-430 | - |
dc.identifier.uri | http://repo.ssau.ru/handle/Zhurnal-Komputernaya-optika/Metod-maksimalno-pravdopodobnyh-rassoglasovanii-v-zadache-raspoznavaniya-izobrazhenii-na-osnove-glubokih-neironnyh-setei-65832 | - |
dc.description.abstract | Исследована задача распознавания изображений в условиях малых выборок наблюдений на основе метода ближайшего соседа, в котором сопоставляются векторы признаков высокой размерности, выделенные с помощью глубокой свёрточной нейронной сети. Предложен новый алгоритм распознавания на основе метода максимального правдоподобия (совместной плотности вероятности) рассогласований между входным и всеми эталонными изображениями. Для оценки правдоподобия используется известное асимптотически нормальное распределение рассогласования Йенсена–Шеннона между векторами значений признаков изображений, что согласовывается с известными экспериментальными оценками закона распределения мер близости между векторами высокой размерности. В рамках экспериментального исследования для базы данных фотографий лиц Labeled Faces in the Wild и набора видеоданных YouTube Faces показано, что предлагаемый алгоритм позволяет на 1–5 % повысить точность распознавания изображений и видеопоследовательностей по сравнению с традиционными методами классификации. | ru |
dc.description.sponsorship | Исследование выполнено при поддержке гранта президента РФ для молодых ученых – докторов наук № МД-306.2017.9 и Лаборатории алгоритмов и технологий анализа сетевых структур (ЛАТАС) Национального исследовательского университета Высшая школа экономики. Параграф 2 выполнен за счет гранта Российского научного фонда (проект № 14-41-00039). | ru |
dc.language.iso | rus | ru |
dc.publisher | Самарский университет | ru |
dc.relation.ispartofseries | 41;3 | - |
dc.subject | статистическое распознавание образов | ru |
dc.subject | обработка изображений | ru |
dc.subject | глубокие свёрточные нейронные сети | ru |
dc.subject | метод максимально правдоподобного перебора | ru |
dc.subject | распознавание лиц | ru |
dc.title | Метод максимально правдоподобных рассогласований в задаче распознавания изображений на основе глубоких нейронных сетей | ru |
dc.title.alternative | Maximum-likelihood dissimilarities in image recognition with deep neural networks | ru |
dc.type | Article | ru |
dc.textpart | Ис- пользование нейросетевой модели LCNN и её дообу- ченной версии позволяет добиться наиболее высокой точности. Однако применение дивергенции Йенсена– Шеннона в этом случае практически не приводит к снижению вероятности ошибочной классификации, что обусловлено значительными различиями в изоб- ражениях из обучающего (LFW) и тестового (YTF) множеств. Использование статистического подхода оказывается предпочтительнее. Наприме... | - |
dc.classindex.scsti | 28.23.15 | - |
Располагается в коллекциях: | Журнал "Компьютерная оптика" |
Файлы этого ресурса:
Файл | Описание | Размер | Формат | |
---|---|---|---|---|
410316.pdf | 218.21 kB | Adobe PDF | Просмотреть/Открыть |
Показать базовое описание ресурса
Просмотр статистики
Поделиться:
Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.