Сборник статей Отв ред. В. Л. Бабурин, М. С. Савоскул Москва 2019 ббк 65. 04 Т 33



Download 3,55 Mb.
Pdf ko'rish
bet29/158
Sana24.06.2022
Hajmi3,55 Mb.
#699296
TuriСборник статей
1   ...   25   26   27   28   29   30   31   32   ...   158
Bog'liq
Sbornik 2019

Машинное зрение. 
Подбор предсказательного или объяснительного 
уравнения, однако, не исчерпывает круг вопросов, которые решает ко-
личественный подход. Часто нет переменной, которая бы учила модель, 
но есть множество показателей, по которым мы ищем порядок в наборе 
наблюдений. Знакомый географам пример – дешифровка снимков.
Для этой цели используют машинное зрение. В наше время оно 
успешно распознает типы застройки и транспортные средства (с точно-
стью 90–95%): автомобили [13], вагоны, самолеты [14]. Внедрение этой 
технологии приводит к размыванию понятия дешифровочного призна-
ка. В самом деле, мы не можем точно сказать, почему машина отлича-
ет один объект от другого – существует некий вектор в многомерном 
прострастве, характеризующий область, свойственную объекту в про-
странстве признаков. Обучаясь, классификатор самостоятельно выде-
ляет характерные особенности изображения – в обучающую выборку 
входят простые изображения объектов, без каких-либо характеристик.
История машинного зрения показала, что для успеха количественного
метода необходимо выполнение четырех условий:
1) развитой математический аппарат;
2) программное обеспечение на его основе;
3) наличие достаточных вычислительных мощностей;
4) наличие достаточного объёма материала для исследований.
Новый количественный подход к экономико-географическим вопросам


54
В основе современного машинного зрения лежит теория перцептро-
на – компьютерной модели нейрона. Эту теорию разработали уже к се-
редине 60-х гг. ХХ в. [5]. К началу 1990-х гг. были созданы основные 
алгоритмы машинного обучения – метод обратного распространения 
ошибки [2, 23] и нелинейный классификатор на основе метода опорных 
векторов [10]. Вскоре удалось распознать цифры на бумаге [22].
Но, несмотря на широкое распространение компьютеров на рубеже 
тысячелетий, машине удалось приблизиться по качеству распознава-
ния образов с человеком буквально несколько лет назад – не хватало 
размеченных обучающих выборок (в Интернете сравнительно недав-
но накопились тысячи изображений одного предмета) – сети плохо 
обобщают на малых объёмах данных. Это хороший пример того, как 
много факторов должно сойтись для успеха количественного метода: 
от появления концепции до широкого распространения распознавания 
образов прошло полвека.
Процесс машинного зрения можно разделить на два этапа: анализ 
изображения и классификация результатов анализа.
Есть несколько методов анализа изображения: вейвлет-преобразова-
ния; HOG (гистограммы ориентированных градиентов), LBP (локаль-
ный бинарный шаблон), DNN (глубокие свёрточные нейронные сети).
Для классификации используют либо нейронную сеть (NN) с ал-
горитмом обратного распространения ошибки или алгоритмом Ле-
венберга-Марквардта, либо метод опорных векторов (SVM). Есть 
ещё несколько классификаторов, но они менее популярны. Например, 
Adaptive Boosting менее подвержен переобучению, но чувствителен
к выбросам и шуму.
Сравним разные методы на примере задачи распознавания автомо-
билей на аэрофотоснимках. 
Для определения качества распознавания изображения используются 
метрики Precision Rate (точность) и Recall Rate (возврат):
Мера PR позволяет учесть ложные распознавания. Автобусная оста-
новка или киоск похожи на снимке на автомобиль, поэтому алгоритм 
может посчитать их транспортными средствами. Иными словами, это 
мера лишних объектов:
Ростислав К.В., Синицын Н.А.



Download 3,55 Mb.

Do'stlaringiz bilan baham:
1   ...   25   26   27   28   29   30   31   32   ...   158




Ma'lumotlar bazasi mualliflik huquqi bilan himoyalangan ©hozir.org 2024
ma'muriyatiga murojaat qiling

kiriting | ro'yxatdan o'tish
    Bosh sahifa
юртда тантана
Боғда битган
Бугун юртда
Эшитганлар жилманглар
Эшитмадим деманглар
битган бодомлар
Yangiariq tumani
qitish marakazi
Raqamli texnologiyalar
ilishida muhokamadan
tasdiqqa tavsiya
tavsiya etilgan
iqtisodiyot kafedrasi
steiermarkischen landesregierung
asarlaringizni yuboring
o'zingizning asarlaringizni
Iltimos faqat
faqat o'zingizning
steierm rkischen
landesregierung fachabteilung
rkischen landesregierung
hamshira loyihasi
loyihasi mavsum
faolyatining oqibatlari
asosiy adabiyotlar
fakulteti ahborot
ahborot havfsizligi
havfsizligi kafedrasi
fanidan bo’yicha
fakulteti iqtisodiyot
boshqaruv fakulteti
chiqarishda boshqaruv
ishlab chiqarishda
iqtisodiyot fakultet
multiservis tarmoqlari
fanidan asosiy
Uzbek fanidan
mavzulari potok
asosidagi multiservis
'aliyyil a'ziym
billahil 'aliyyil
illaa billahil
quvvata illaa
falah' deganida
Kompyuter savodxonligi
bo’yicha mustaqil
'alal falah'
Hayya 'alal
'alas soloh
Hayya 'alas
mavsum boyicha


yuklab olish