Итеративные адаптационные алгоритмы в многокритериальных задачах
Автор: Бельгер И.С., Солдатова О.П.
Журнал: Инфокоммуникационные технологии @ikt-psuti
Рубрика: Новые информационные технологии
Статья в выпуске: 2 (82) т.21, 2023 года.
Бесплатный доступ
Данная статья рассматривает использование итеративных адаптационных алгоритмов для решения задачи определения места измерения комплекса интима-медиа сонной артерии. Приведена постановка многокритериальной задачи принятия решений, на основании которой происходит определение корректного критерия для выбора и успешного распознавания требуемого объекта на ультразвуковом снимке. В работе рассматриваются принципы построения каскадных классификаторов, применение каскадного классификатора Хаара и каскадного классификатора LBP (Local Binary Patterns), в качестве основы для которых использованы примитивы Хаара и локальные бинарные шаблоны. Приведены результаты экспериментальных исследований эффективности использования разных алгоритмов бустинга для решения данной задачи. Лучшие результаты показал каскадный классификатор Хаара, построенный с помощью итеративного адаптационного алгоритма, который успешнее справляется с решением многокритериальной задачи на данной обучающей выборке и определяет наиболее подходящие участки для измерения толщины комплекса интима-медиа общей сонной артерии.
Адаптационные алгоритмы, бустинг, многокритериальная задача, каскадный классификатор, каскад хаара, каскад lbp, признаки хаара, adaboost, локальные бинарные паттерны
Короткий адрес: https://sciup.org/140303633
IDR: 140303633 | DOI: 10.18469/ikt.2023.21.2.08
Список литературы Итеративные адаптационные алгоритмы в многокритериальных задачах
- Wang K., Liu M. YOLO-Anti: YOLO-Based counterattack model for unseen congested object detection // Pattern recognition. 2022. Vol. 131. P. 108814.
- Жомарткызы Г., Тлеудин Е.А. Fast R-CNN алгоритм распознавания объектов // Интернаука. 2022. №18-1(241). С. 56–58.
- Abdulghafoor N.H., Abdullah H.N. Real-time moving objects detection and tracking using deepstream technology // Journal of Engineering Science and Technology. 2021. Vol. 16, no. 1. P. 194–208.
- Murthy Ch.B., Hashmi M.F., Keskar A.G. Optimized MobileNET + SSD: a real-time pedestrian detection on a low-end edge device // International Journal of Multimedia Information Retrieval. 2021. Vol. 10, no. 3. P. 171–184.
- Deng P., Wang K., Han X. Real-time object detection based on YOLO-V2 for tiny vehicle object // SN Computer Science. 2022. Vol. 3, no. 4. P. 1–10.
- Уткин Л.В. Принятие решений в условиях неопределенности. Спб: СПбПУ, 2014. 199 с.
- Бустинг, AdaBoost. URL: https://neerc.ifmo.ru/wiki/index.php?title=%D0%91%D1%83%D1%81%D1%82%D0%B8%D0%BD%D0%B3,AdaBoost (дата обращения: 01.11.2023).
- Белых Е.А. Обучение каскадов Хаара // Вестник Сыктывкарского университета. Серия: Математика. Механика. Информатика. URL: https://cyberleninka.ru/article/v/obucheniekaskadov-haara (дата обращения: 01.11.2023).
- AdaBoost – Wikipedia. URL: https://ru.wikipedia.org/wiki/AdaBoost (дата обращения: 01.11.2023).
- Казанцева И.С., Солдатова О.П. Решение задачи детектирования изображений при помощи каскадных классификаторов // Перспективные информационные технологии (ПИТ–2019): материалы Международной научно-технической конференции. Самара: СНЦ РАН, 2019. С. 256–260.
- Болотова Ю.А., Федотова Л.C., Спицын В.Г. Алгоритм детектирования областей лиц и рук на изображении на основе метода Виолы-Джонса и алгоритма цветовой сегментации // Фундаментальные исследования. 2014.№ 11-10. С. 2130–2134. URL: https://fundamentalresearch.ru/ru/article/view?id=35905 (дата обращения: 02.11.2023).
