Отрывок: 6. Произведём заполнение лакун разными методами. И в заключение вычислим объективные показатели ка- чества восстановленных разными методами изобра- жений в смоделированных лакунах – среднеквадра- тичное отклонение (СКО) и меру структурного подо- бия (МСП). МСП (или в английском варианте SSIM) рассчитывается по формуле [16]: SSIM 2 2 2 2 2 2XY X Y X Y X Y XY X Y , г...
Полная запись метаданных
Поле DC | Значение | Язык |
---|---|---|
dc.contributor.author | Мясников, В.В. | - |
dc.date.accessioned | 2020-01-13 13:06:13 | - |
dc.date.available | 2020-01-13 13:06:13 | - |
dc.date.issued | 2019-12 | - |
dc.identifier | Dspace\SGAU\20191230\81103 | ru |
dc.identifier.citation | Мясников, В.В. Реконструкция функций и цифровых изображений по их знаковым представлениям / В.В. Мясников // Компьютерная оптика. – 2019. – Т. 43, № 6. – С. 1041-1052. – DOI: 10.18287/2412-6179-2019-43-6-1041-1052. | ru |
dc.identifier.uri | https://dx.doi.org/10.18287/2412-6179-2019-43-6-1041-1052 | - |
dc.identifier.uri | http://repo.ssau.ru/handle/Zhurnal-Komputernaya-optika/Rekonstrukciya-funkcii-i-cifrovyh-izobrazhenii-po-ih-znakovym-predstavleniyam-81103 | - |
dc.description.abstract | В работе рассматриваются вопросы реконструкции неявно заданных функций или цифровых изображений. Функции задаются с использованием наблюдений, каждое из которых представляет собой результат парного сравнения значений функции для двух случайных аргументов. Представлен анализ современного состояния исследований для частных постановок указанной проблемы: метод парных сравнений, используемый при принятии решений в случае конечного множества альтернатив; реконструкции предпочтений пользователей в многокритериальных задачах анализа; знаковых представлений изображений, используемых в качестве аппарата описания и анализа цифровых изображений. Предлагается унифицированный подход к реконструкции функций и изображений по их знаковым представлениям, основанный на переходе в пространство высокой размерности и построения линейного (для случая реконструкции функции и изображений) или нелинейного (в т.ч. непараметрического) классификатора (для реконструкции предпочтений). Для ряда алгоритмов классификации проведены экспериментальные исследования по оценке эффективности предложенного подхода на примере задачи реконструкции функции полезности в теории принятия решений и реконструкции функции яркости реальных изображений. | ru |
dc.description.sponsorship | Работа выполнена при поддержке Министерства науки и высшего образования в рамках выполнения работ по Государственному заданию ФНИЦ «Кристаллография и фотоника» РАН в части «Введение» и параграфа (1) «Современное состояние исследований», и грантов РФФИ (№ 18-01-00748, 18-29-03135-мк и 17-29-03190-офи) в части параграфов: (2) «Метод реконструкции функций и цифровых изображений по их знаковому представлению» – (4) «Выводы и результаты». | ru |
dc.language.iso | rus | ru |
dc.publisher | Самарский национальный исследовательский университет имени акад. С.П. Королева | ru |
dc.relation.ispartofseries | 43;6 | - |
dc.subject | парные сравнения | ru |
dc.subject | знаковое представление | ru |
dc.subject | функция полезности | ru |
dc.subject | функция предпочтения | ru |
dc.subject | выявление предпочтений | ru |
dc.subject | принятие решений | ru |
dc.subject | машинное обучение | ru |
dc.subject | цифровое изображение | ru |
dc.title | Реконструкция функций и цифровых изображений по их знаковым представлениям | ru |
dc.title.alternative | Reconstruction of functions and digital images using sign representations | ru |
dc.type | Article | ru |
dc.textpart | 6. Произведём заполнение лакун разными методами. И в заключение вычислим объективные показатели ка- чества восстановленных разными методами изобра- жений в смоделированных лакунах – среднеквадра- тичное отклонение (СКО) и меру структурного подо- бия (МСП). МСП (или в английском варианте SSIM) рассчитывается по формуле [16]: SSIM 2 2 2 2 2 2XY X Y X Y X Y XY X Y , г... | - |
dc.textpart | 2.3. Репозиторий методов машинного обучения (классификаторов) В рамках предложенного подхода репозиторий методов машинного обучения (классификаторов) включает следующие: а) логистическая регрессия (LR), б) линейный классификатор Фишера, в) метод опорных векторов с линейной раздел... | - |
dc.classindex.scsti | 28.23.15 | - |
Располагается в коллекциях: | Журнал "Компьютерная оптика" |
Файлы этого ресурса:
Файл | Описание | Размер | Формат | |
---|---|---|---|---|
430614.pdf | 1.07 MB | Adobe PDF | Просмотреть/Открыть |
Показать базовое описание ресурса
Просмотр статистики
Поделиться:
Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.