Отрывок: Стоит отметить, что в связи с большим числом клас- сов разработанный подход даже для R(c) = 30 этало- нов оказывается более точным по сравнению с ос- тальными методами классификации. Заключение Таким образом, в настоящей работе предложена модификация ВНС (12) – (15), основанная на проек- ционных оценках плотности вероятности, которые используют систему тригонометрических функций и ...
Полная запись метаданных
Поле DC | Значение | Язык |
---|---|---|
dc.contributor.author | Савченко, А.В. | - |
dc.date.accessioned | 2018-04-05 11:09:55 | - |
dc.date.available | 2018-04-05 11:09:55 | - |
dc.date.issued | 2018-02 | - |
dc.identifier | Dspace\SGAU\20180403\68015 | ru |
dc.identifier.citation | Савченко, А.В. Тригонометрическая система функций в проекционных оценках плотности вероятности нейросетевых признаков изображений / А.В. Савченко // Компьютерная оптика. – 2018. – Т. 42, № 1. – С. 149-158. – DOI: 10.18287/2412-6179-2018-42-1-149-158.. | ru |
dc.identifier.uri | https://dx.doi.org/10.18287/2412-6179-2018-42-1-149-158 | - |
dc.identifier.uri | http://repo.ssau.ru/handle/Zhurnal-Komputernaya-optika/Trigonometricheskaya-sistema-funkcii-v-proekcionnyh-ocenkah-plotnosti-veroyatnosti-neirosetevyh-priznakov-izobrazhenii-68015 | - |
dc.description.abstract | Исследована задача распознавания изображений, которые описываются векторами признаков высокой размерности, выделенными с помощью глубокой свёрточной нейронной сети и анализа главных компонент. Рассмотрена проблема высокой вычислительной сложностистатистического подхода с непараметрическими оценками плотности вероятности векторов признаков, реализованного в вероятностной нейронной сети. Предложен новый метод статистической классификации на основе проекционных оценок плотности распределения с тригонометрической системой ортогональных функций. Показано, что такой подход позволяет преодолеть недостатки вероятностной нейронной сети, связанные с необходимостью обработки всех признаков всех эталонных изображений. В рамках экспериментального исследования для наборов изображений Caltech-101 и CASIA WebFaces показано, что предлагаемый подход позволяет на 1-5% снизить вероятность ошибки распознавания и в 1,5-6 раз повысить вычислительную эффективность по сравнению с исходной вероятностной нейронной сетью для малых выборок эталонных изображений. | ru |
dc.description.sponsorship | Исследование выполнено при поддержке гранта президента РФ для молодых ученых – докторов наук № МД-306.2017 и Лаборатории алгоритмов и технологий анализа сетевых структур (ЛАТАС) Национального исследовательского университета Высшая школа экономики. Работа параграфов 3 и 4 выполнена за счёт гранта Российского научного фонда (проект № 14-41-00039). | ru |
dc.language.iso | rus | ru |
dc.publisher | Самарский национальный исследовательский университет имени акад. С.П. Королева | ru |
dc.relation.ispartofseries | 42/1; | - |
dc.subject | статистическое распознавание образов | ru |
dc.subject | обработка изображений | ru |
dc.subject | глубокие свёрточные нейронные сети | ru |
dc.subject | вероятностная нейронная сеть | ru |
dc.subject | проекционные оценки | ru |
dc.subject | распознавание лиц | ru |
dc.title | Тригонометрическая система функций в проекционных оценках плотности вероятности нейросетевых признаков изображений | ru |
dc.title.alternative | Trigonometric series in orthogonal expansions for density estimates of deep image features | ru |
dc.type | Article | ru |
dc.textpart | Стоит отметить, что в связи с большим числом клас- сов разработанный подход даже для R(c) = 30 этало- нов оказывается более точным по сравнению с ос- тальными методами классификации. Заключение Таким образом, в настоящей работе предложена модификация ВНС (12) – (15), основанная на проек- ционных оценках плотности вероятности, которые используют систему тригонометрических функций и ... | - |
dc.classindex.scsti | 28.23.15 | - |
Располагается в коллекциях: | Журнал "Компьютерная оптика" |
Файлы этого ресурса:
Файл | Описание | Размер | Формат | |
---|---|---|---|---|
420118.pdf | Основная статья | 277.23 kB | Adobe PDF | Просмотреть/Открыть |
Показать базовое описание ресурса
Просмотр статистики
Поделиться:
Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.