The properties of computing processes in image analysis and machine learning tasks
Бесплатный доступ
The solving process of any computer vision or machine learning task can be represented in form of some sequence of computational operations on input data. The feature of intelligent data analysis is significant input data heterogeneity which includes emissions, measurement uncertainty, and multimodality. Different types of computing operations respond differently to the presented types of mismatches. The quality of problem solution to a large extent depends on the properties and data mismatch stability of the basic operations. The article describes main types of computational operations, used in computer vision and machine learning algorithms, the analysis of their resistance to various types of mismatch in the data is provided. The information will be useful in designing visual objects descriptors, in the development of detection and tracking algorithms. Of particular value is using of the information in design and analysis of deep convolutional neural networks.
Computer vision, machine learning, convolutional neural networks, tracking, filtering
Короткий адрес: https://sciup.org/147155163
IDR: 147155163 | УДК: 004.855.5 | DOI: 10.14529/ctcr170114
Свойства вычислительных процессов в задачах анализа изображений и машинного обучения
Процесс решения любой задачи компьютерного зрения или машинного обучения можно представить в виде некоторой последовательности вычислительных операций над набором входных данных. Особенностью задач интеллектуального анализа данных является существенная неоднородность входных данных - могут присутствовать выбросы, неточность измерений, мультимодальность. Разные типы вычислительных операций по-разному реагируют на представленные типы рассогласований. При этом от свойств базовых операций и их устойчивости к рассогласованиям в данных во многом зависит качество решения задачи. В статье рассматриваются основные типы вычислительных операций, применяемых в алгоритмах компьютерного зрения и машинного обучения, проводится анализ их устойчивости к различным типам рассогласований в данных. Рассмотренная информация будет полезна при проектировании дескрипторов визуальных объектов, алгоритмов распознавания и трекинга объектов. Особую ценность представляет применение рассмотренной информации к проектированию и анализу глубоких сверточных нейронных сетей.
Список литературы The properties of computing processes in image analysis and machine learning tasks
- Leibe, B. An implicit shape model for combined object categorization and segmentation/B. Leibe, A. Leonardis, B. Schiele. -Springer Berlin Heidelberg, 2006. -P. 508-524.
- Гонсалес, Р. Цифровая обработка изображений/Р. Гонсалес, Р. Вудс. -М.: Техносфера, 2005. -1072 с.
- Nagi, J. Max-pooling convolutional neural networks for vision-based hand gesture recognition/J. Nagi, F. Ducatelle, G.A. DiCaro et al.//IEEE International Conference on Signal and Image Processing Applications (ICSIPA) -IEEE, 2011. -P. 342-347.
- Magee, J.F. Decision trees for decision making/J.F. Magee//Harvard Business Review. -1964. -Vol. 42, no. 4. -pp. 126-138.
- Krizhevsky, A. Imagenet classification with deep convolutional neural networks/A. Krizhevsky, I. Sutskever, G.E. Hinton//NIPS 2012: Neural Information Processing Systems. -Lake Tahoe, Nevada, 2012. -P. 1097-1105.
- Simonyan, K. Very deep convolutional networks for large-scale image recognition/K. Simonyan, A. Zisserman//arXiv technical report:1409.1556. -2014.
- Karnowski, E. Alexnet visualization/E. Karnowski. -July 15, 2015. -https://jeremykarnowski. wordpress.com/2015/07/15/alexnet-visualization/
- Azimi, M. Skeletal joint smoothing white paper/M. Azimi. -https://msdn.microsoft.com/en-us/library/jj131429.aspx
- Fischler, M.A. Random sample consensus: A paradigm for model fitting with applications to image analysis and automated cartography/M.A. Fischler, R.C. Bolles//Communications of the ACM. -1981. -Vol. 24, no. 6. -P. 381-395.
